基于邻域覆盖约简的层次化规则学习算法

在大数据环境下的分类学习中,随着描述样本语义信息的丰富,数据的类别空间结构存在着层次化。然而,现有分层分类算法缺乏可解释性,为此本文提出了一种基于邻域覆盖约简的层次化规则学习算法。该算法框架主要包括:(1)定义了面向层次化结构数据的邻域覆盖约简模型;(2)定义了层次邻域系统中覆盖元的依赖度;(3)提出了一种基于覆盖元依赖度的层次化规则学习前向搜索算法。最后,实验表明本文所提算法的分类性能较优且具有较好的可解释性。

融合密度与邻域覆盖约简的分类方法

针对现有大部分基于邻域覆盖的分类方法直接根据最近的邻域对样本分类,没有考虑邻域之间的差异性,从而导致分类错误的问题。引入局部密度去刻画邻域之间的差异性,并提出融合密度与邻域覆盖约简的分类方法(D-NCR)。首先,通过邻域覆盖约简剔除冗余的邻域;其次,将邻域中心的局部密度转化为权重,定义了测试样本到邻域中心的加权距离;最后,基于加权距离,对不同的测试样本提出两种分类策略。在UCI数据集上的实验结果表明,所提方法能达到较好的分类效果。