邻域决策一致性的属性约简方法研究

基于邻域决策错误率的属性约简可以在删除冗余属性的同时,提升邻域分类器的留一验证分类精度.但这种约简方式并未充分考虑邻域分类结果在约简前后的差异.为解决这一问题,借助联合分布矩阵,提出了邻域决策一致性的概念,构建了邻域决策一致性与邻域分类精度的调和平均值,并将其作为约简求解的度量准则.在12个UCI数据集上的实验结果表明,所提出的新约简不仅能够有效地提升邻域分类器的决策一致性,而且在多数情况下能够进一步提高邻域分类器的留一验证分类精度.

基于邻域决策的序贯三支分类方法

如何设计合理的属性子空间区间是序贯三支分类研究的重要内容之一。考虑到实际应用中广泛存在的数值数据,将邻域粗糙集及邻域决策错误率引入序贯三支分类方法中,构建合理的属性子空间区间。借助邻域决策错误率约简,分别定义局部和全局属性子空间,并基于此设计基于邻域决策错误率的序贯三支分类算法。在6组UCI数据集上的实验结果表明,该分类方法不仅压缩了数据的属性空间,而且提高了数据的分类精度,为序贯三支分类方法的研究提供了新的思路。

邻域决策的随机约简与集成分类研究

为了进一步提升邻域分类器的性能,提出基于属性约简的集成邻域分类策略.首先在启发式求解约简的过程中,通过放宽属性选择的条件,从而在一定范围内利用随机选择的方法获取多个能够降低邻域决策错误率的属性子集,然后借助这些属性子集在对应邻域分类器上得到的结果进行投票集成,得到最终的分类类别.在12个UCI数据集上的实验结果表明,所提出的基于属性约简的集成邻域分类策略不仅能够有效地提升邻域分类器的分类精度,而且亦能增强邻域分类结果的鲁棒性.这一研究为从集成的视角研究粗糙集理论提供了技术支持.

Dempster-Shafer证据理论驱动的邻域粗糙分类方法

为了进一步改进邻域分类器的分类机制,提升分类性能,提出Dempster-Shafer(D-S)证据理论驱动的邻域粗糙分类方法。首先,采用邻域决策错误率作为属性重要性的指标研究基于邻域决策错误率的属性约简方法,通过删除冗余属性,为分类学习提供重要的属性集合;其次,改变传统多数投票机制,将D-S证据理论引入邻域样本的信息融合中,提出基于D-S证据理论的邻域分类器;最后,基于UCI公共数据集的实验结果表明,所提方法相较于多数投票机制下的邻域分类器,具有更高的分类精度,为邻域分类方法的进一步研究提供了新的思路。

邻域粗糙集属性约简方法研究

粗糙集上的属性约简依据某种评价函数来删除冗余属性。针对传统的属性约简并未考虑到评价函数的多样性会对约简结果产生的影响,鉴于此,利用邻域粗糙集模型,分别以近似质量与邻域决策错误率作为评价函数。在6个UCI数据集上表明近似质量属性约简能够保证近似质量满足约束条件,其求得的邻域决策错误率却平均增加了0.03。相应的,邻域决策错误率属性约简能够保证邻域决策错误率满足约束条件,求得的近似质量却平均降低了0.09。单一评价函数的属性约简能够保证相应的度量指标满足约束条件,却未必能够保证在其它度量指标上满足约束条件。