基于近似分类质量的决策表属性约简算法

文章提出了一种基于近似分类质量的决策表属性约简算法,该原算法以空集作为初始属性约简,逐步增加使近似分类质量增加最大的属性,直至约简的近似分类质量等于所有条件属性的近似分类质量为止.文章同时分析了该算法的时间复杂度.并通过实例验证了该算法的有效性和合理性.

基于代价敏感和近似分类质量的决策粗糙集属性约简研究

针对决策粗糙集属性约简在引入代价后分类精度不高的问题,对其中代价敏感与分类精度的平衡进行了研究。将分类总代价和近似分类质量作为属性约简过程中的约束条件,结合模拟退火方法,提出了一种基于代价敏感和近似分类质量的决策粗糙集属性约简(ARACOQ)算法。利用UCI数据集对算法进行了模拟实验,实验结果验证了ARACOQ算法的有效性,该算法能够在可承受代价范围内找到一个分类精度最高的属性约简集。

一般关系粗糙集的近似分类精度和质量

由等价关系R所决定的近似空间(U,R)上,近似分类精度指出了可能的决策中正确决策所占的百分比,近似分类质量则表明了应用知识R能确切地划入已知分类的对象的百分比。将近似分类精度和分类质量的概念推广到一般(二元)关系所决定的广义近似空间上。通过引入独立集概念,给出了度量公式,最后通过实例验证了其合理性。

基于近似分类质量及特异度的属性约简算法的部分改进

对基于近似分类质量及特异度的属性约简算法做了部分改进。主要解决已有算法的如下问题:当几个属性集合的近似分类质量或特异度相等、且其对应的属性组合数目也相等时,以前的算法无法分辨、只能随机选择。本文通过引入两个新的评判指标,当遇到前述问题时,计算这两个指标可以在一定程度上分别做出进一步筛选。数据结果表明,改进后算法能较快找到约简,提高了约简速度。

基于粗糙集特征加权的文本分类

文本分类是当今信息检索和数据挖掘等领域的研究热点,而特征加权是文本分类过程中的重要步骤。为了提高分类质量,文章通过深入分析粗糙集理论和逆文本频率加权的思想,提出了一种基于粗糙集的特征加权方法,从近似分类精度和近似分类质量两个方面考虑特征词对分类的全局作用,将文本的类别属性信息引入到权重中。通过文本分类实验证明,该加权方法有助于提高分类系统的分类效果。

一种基于变精度粗糙集的C4.5决策树改进算法

针对C4.5决策树构造复杂、分类精度不高等问题,提出了一种基于变精度粗糙集的决策树构造改进算法。该算法采用近似分类质量作为节点选择属性的启发函数,与信息增益率相比,该标准更能准确地刻画属性分类的综合贡献能力,同时对噪声有一定的抑制能力。此外还针对两个或两个以上属性的近似分类质量相等的特殊情形,给出了如何选择最优的分类属性作为节点的方法。实验结果证明,该算法构造的决策树在分类精度和规模上均优于C4.5算法。

面向噪声数据的多尺度粗糙集模型研究

针对Pawlak粗糙集模型处理噪声信息的局限性,借鉴变精度粗糙集模型的思想,引入多尺度变量,建立单维的多尺度粗糙集模型。通过构造尺度变量s与尺度函数(fs)的变化关系,对噪声数据进行多尺度、多角度的动态分析,提高抑制噪声的能力,根据评价指标不断地优化尺度,获取满足用户要求的决策规则。实例说明了该方法的优点及可行性。

基于(α,τ)限制相似关系的变精度粗糙集模型

针对经典粗糙集模型只能处理完备信息系统,将变精度粗糙集模型引入到不完备信息系统中。给出了(α,τ)限制相似关系的定义及其相关性质,并提出了基于(α,τ)限制相似关系的变精度粗糙集模型,提出了基于属性重要度和近似分类质量的知识约简算法。通过算例分析验证了该模型知识约简算法的有效性。

信息熵约简与代数约简差异性的数学本质分析

讨论了基于正区域与近似分类质量代数约简定义的等价性,证明了基于决策强度的属性约简与信息熵约简是等价的,从条件概率的角度将代数约简与信息熵约简的数学模型在形式上给出了统一表示,分析了它们在一致决策表下是一致的以及在不一致决策表下是不一致的根本原因。

新的基于最近邻聚类的属性离散化算法

连续属性离散化是知识发现研究中重要的预处理过程,基于最近邻聚类和粗集的相关理论,提出一种新的有监督的多属性离散化方法。该算法分两个阶段来处理,首先利用最近邻聚类动态调整聚类的类别数,生成初始聚类。然后基于类信息的相似性定义合并相似区间,减少了聚类区间。通过实例分析,该算法是非常有效的。

基于VPRS的ID3算法改进

在变精度粗糙集模型的基础上,通过定义近似分类质量来对条件属性进行选择,在ID3算法的基础上生成决策树,实现了对ID3算法的改进,使分类速度加快,并且有效地解决了含噪数据的分类问题。

单变量的多尺度粗糙集模型研究

针对Pawlak粗糙集模型处理信息的某些局限性,借鉴变精度粗糙集模型的思想,创新地引入多尺度变量,建立单变量的多尺度粗糙集模型。有利于对数据信息进行多尺度多角度地、分析处理,进一步提高抑制噪声的能力,从而更有效地获取决策规则。通过建立尺度变1量s与尺度函数(fs)的变化关系,讨论了变量s对近似分类质量的影响,为进一步对信息属性的多尺度描述奠定了基础。通过实例说明了该方法的简单性、可行性。

基于信息粒度与粗糙集的决策细化研究

从理论上研究了决策表中决策值细化程度与信息粒度、近似分类的精度及近似分类质量之间的关系,结果表明,决策属性的属性值划分得越细,则该属性的信息粒度、近似分类精度和近似分类质量的值就越小.仿真实验同时证明,在基于决策属性划分之下,对任意一个条件属性集经决策细化后的决策表所对应的信息粒度、近似分类精度和近似分类质量的值,都不大于决策细化前决策表所对应的信息粒度、近似分类精度和近似分类质量的值,这个结果对研究决策表属性约简和决策规则的有效性等问题都有指导作用.

变精度粗糙集模型中β参数范围的确定

正确分类率β是变精度粗糙集模型中重要的参数之一.针对变精度粗糙集中β参数的确定缺乏可预见性的问题,提出了在确定近似分类质量γ下β取值范围的确定方法.首先在选取特定β值的情况下,根据约简条件求取所有β约简;然后在近似分类质量保持不变的前提下,确定β参数的取值范围;最后通过一个算例验证了该方法的有效性.

一种基于粗集的协同过滤算法

针对协同过滤中的数据稀疏问题,提出了一种基于粗集的协同过滤算法.首先通过自动填补空缺评分降低数据稀疏性;然后采用分类近似质量计算用户间的相似性形成最近邻居,产生推荐预测.实验结果表明,该算法有效地解决了数据稀疏问题,提高了推荐的质量.

基于粗糙集和特征位置重要度的特征加权方法

文本预处理是文本分类的首要任务,特征加权直接影响文本预处理的质量,本文提出了基于粗糙集和特征位置重要度加权的方法,该方法的主要思想是:在计算传统TF-IDF特征权重的过程中将已有的决策信息和特征的位置信息引入到权重计算中,考虑可变精度粗糙集模型中的近似分类质量和近似分类精度以及特征位置信息对全局分类的作用.经过多重文本分类实验证明,本文提出的特征加权方法能够明显的提高文本分类的效率.