-
题名基于距离比值尺度的模糊粗糙集属性约简
被引量:6
- 1
-
-
作者
陈毅宁
陈红梅
-
机构
西南交通大学信息科学与技术学院
西南交通大学云计算与智能技术高校重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2020年第3期67-72,共6页
-
基金
国家自然科学基金(61572406)~~
-
文摘
属性约简能有效地去除不必要属性,提高分类器的性能。模糊粗糙集是处理不确定信息的重要范式,能有效地应用于属性约简。在模糊粗糙集中,样本分布的不确定性会影响对象的近似集,进而影响有效属性约简的获取。为有效地定义近似集,文中提出了基于距离比值尺度的模糊粗糙集,该模型引入了基于距离比值尺度的样本集的定义,通过对距离比值尺度的控制,避免了样本分布不确定性对近似集的影响;给出了该模型的基本性质,定义了新的依赖度函数,进而设计了属性约简算法;以SVM,NaiveBayes和J48作为测试分类器,在UCI数据集上评测所提算法的性能。实验结果表明,所提出的属性约简算法能够有效获取约简并提高分类的精度。
-
关键词
属性约简
模糊粗糙集
距离比值尺度
-
Keywords
Attribute reduction
Fuzzy rough set
Distance ratio scale
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-