一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一.为了能够有效地获取决策表中属性的最小相对约简,在Rough集理论的基础上构造了一个新的算子,将信息论角度定义的属性的重要性作为启发式信息,来描述在决策表中条件属性所提供的知识对决策属性的影响;并采用宽度优先搜索策略,提出了一种新的属性约简启发式算法.以原始条件属性集为起点并结合算子,通过向属性核的递减式逼近,得到属性的最小相对约简.实例分析表明,该算法能有效地对决策表属性进行约简.

一种改进的Rough集属性约简启发式遗传算法

属性约简是知识发现中的关键问题之一 .为了能够有效地获取决策表中属性最小相对约简 ,提出了一种在优化初始群体基础上提高算法性能的启发式遗传算法 .首先 ,通过构造一个新的算子 ,将信息论角度定义的属性重要性度量作为启发式信息 ,来描述所选择的属性子集对论域中确定分类子集的影响 ;接着 ,以此为基础并结合遗传算法 ,选择一些经过优化的染色体作为初始群体 ,在加强局部搜索能力的同时保持了该算法全局寻优的特性 .最后 ,从理论上对算法做了分析 ,证明了新算子所选择的属性子集对原有属性分类能力保持不变 .试验分析表明 。

基于Rough集的启发式约简中启发式规则比较研究

采用属性的重要性作为启发式属性约简规则比较普遍。选择几种研究较多的属性重要性启发式规则,如属性依赖度、区分矩阵频率、信息熵等,进行简要介绍。通过编程实现规则和算法、采用经典数据集的运算比较作了汇总,从运算结果分析中获取了不同启发式规则对属性约简影响的几个基本结论。

基于集覆盖理论的覆盖信息系统属性约简方法

针对覆盖信息系统属性约简问题,提出基于集覆盖理论的覆盖信息系统属性约简方法。首先,构造覆盖信息系统的相关矩阵,通过相关矩阵诱导出覆盖信息系统的集覆盖模型,并探讨了覆盖信息系统与其诱导的集覆盖模型之间的联系,发现集覆盖模型的一个极小覆盖恰是原覆盖信息系统的一个属性约简集,从而可以将求解覆盖信息系统的属性约简问题转化为求解对应集覆盖模型的极小集覆盖问题。其次,利用集覆盖启发式算法(set covering heuristic algorithm,SCHA)在解决集覆盖问题上具有更高的精度和更好的性能,给出了基于SCHA的覆盖信息系统属性约简的求解步骤及算法。最后,通过实例验证了所提方法的可行性和有效性。

一种改进的粗糙集属性约简启发式算法

提出了一种改进的属性约简启发式算法 ,讨论了启发式信息的构造 .通过两个反例证明了现有的两种属性重要度定义 (基于属性依赖度的定义和基于信息熵的定义 )的不完备性 ,提出了一种加权平均的属性重要度定义 ;在此基础上构造了两种启发式算法 .通过

决策粗糙集属性约简:一种局部视角方法

比较于经典粗糙集,决策粗糙集模型将代价问题考虑在内,为粗糙集的属性约简问题带来了新的挑战。尽管已有针对决策粗糙集的一些属性约简方法被提出,但这些约简标准都是基于所有决策类的,约束条件较为严格。为解决这一问题,从局部视角出发,针对单独的决策类提出了Local约简的思想。基于启发式算法求解约简的实验结果表明,相比于面向所有决策类的约简,Local约简可以获得更多的正域规则,同时也能够进一步降低约简中的属性数量。

一种基于属性重要性的启发式约简算法

属性约简是知识发现中的关键问题之一.为了能够有效地获取决策表中条件属性集的最小相对约简,本文首先利用代数方法描述决策表中的属性的重要性,提出了限制正域的概念,得到了关于限制正域的若干结果,并据此提出一种改进的属性约简算法,即以属性核为起点并结合算子,通过向属性核不断添加重要程度最大的属性,并利用已求得的正区域和限制正域使处理数据的范围不断缩小从而减少求约简的时间.该算法能够节省得到决策表的最小约简的时间并能得到所有相对约简.实例分析也验证了该算法的有效性.

基于粗糙集的启发式值约简的改进算法

本文根据粗糙集理论讨论了属性值约简问题,基于属性值的重要度提出了一种改进的启发式值约简方法。首先,通过约简广义特征表和决策表获得决策表的属性值核。其次,用条件属性与决策属性之间的互信息增量来度量值重要度,进行启发式信息、构建和属性值约简。最后,用属性蒸发率和置信度等指标对决策规则质量进行评价,验证了算法的有效性。

基于粗糙集的启发式属性约简算法

对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题。针对这一不足,利用粗糙集理论中的条件熵作为启发信息,来缩小搜索空间,并在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法。提供了实例分析,验证了该改进算法具有较好的约简效果。

决策域分布保持的启发式属性约简方法

在决策粗糙集中,由于引入了概率阈值,属性增加或减少时,正域或者非负域有可能变大、变小或者不变,即属性的增减与决策域(正域或非负域)之间不再具有单调性.分析结果表明,现有的基于整个决策域的属性约简定义可能会改变决策域.为使决策域保持不变,引入了正域分布保持约简与非负域分布保持约简的概念.此外,决策域的非单调性使得属性约简算法必须检查一个属性集合的所有子集.为了简化算法设计,提出了正域和非负域分布条件信息量的定义,并证明其满足单调性,从而为设计决策域分布保持约简的启发式计算方法提供了理论基础.为了进一步获得最小约简,提出一种基于遗传算法的决策域分布保持启发式约简算法,并在两种单调的决策域分布条件信息量基础上构造了新算子,即修正算子,确保遗传算法找到的是约简而不是约简的超集.对比实验从分类正确率与误分类代价两个方面都反映了决策域分布保持约简定义的合理性,并且,所提出的遗传算法在大多数情况下都找到了最小约简.

基于布尔矩阵表示的粗集属性约简启发式算法

属性约简是粗糙集理论研究中的核心内容之一,现已证明寻找最小约简是NP-hard问题。该文对信息系统中属性的条件区分能力给出定义。在此基础上,提出了一种基于条件区分能力的属性约简的启发式算法。通过实例分析表明,在多数情况下该算法能够得到信息系统的最小约简。

基于改进遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论研究的主要内容之一,为了能够有效地获取决策表中属性最小约简,在分析属性约简的方法与遗传算法的基础上,将属性重要性度量作为启发式信息引入遗传算法,提出了一种启发式遗传算法。通过构造新的变异算子来引入启发式信息,体现了启发式信息的局部搜索技术,使得算法既保持整体优化特性,又具有较快的收敛速度。实验结果表明,该方法能快速有效地求出决策表的最小约简。

基于粗集可辨识矩阵的属性约简算法

论文主要对RoughSet理论中的属性约简问题进行了研究。从Skowron可辨识矩阵出发,通过对属性重要性及属性间依赖性的讨论,利用条件熵构造了一种一致数据属性约简的启发式算法;通过实例和UCI数据库证明了该算法的有效性;并对文献犤4犦中的错误进行了修正。

优势信息系统中的启发式属性约简算法

在优势信息系统中引入粒度熵概念,定义其相关的性质和定理,并以优势关系下的粒度熵为启发式信息,给出属性的重要性度量。在此基础上提出一种基于粒度熵的启发式属性约简算法,并分析该算法的时间复杂度。通过实例说明该算法的有效性,为进一步研究优势目标信息系统的规则提取提供理论基础。

邻域决策错误率的局部约简方法研究

传统基于邻域决策错误率的属性约简准则是针对总体分类精度的提升而设计的,未能展现因约简而引起的各类别精度变化情况。针对这一问题,引入局部邻域决策错误率以及局部属性约简的概念,其目的是提升单个类别的分类精度。在此基础上,进一步给出了求解局部邻域决策错误率约简的启发式算法。在8个UCI数据集上的实验结果表明,局部约简不仅是提高各个类别精度的有效技术手段,而且也解决了因全局约简所引起的局部分类精度下降问题。

变精度粗糙集属性约简的算法

针对变精度粗糙集属性约简问题,在分析变精度粗糙集理论的基础上,分别从属性依赖度增量、互信息的增量、基于覆盖度与准确度相结合的度量以及属性的不确定性量度等角度,对属性重要度进行分析。并分别以这四个属性重要度作为启发式信息,提出变精度粗糙集属性约简的启发式算法,进而得到信息系统的最小约简,并将所给的算法应用MATLAB程序进行实现。最后,通过具体算例说明所给算法的有效性和实用性。

一种启发式属性约简算法

本文在研究前人算法的基础上,采用分而治之的思想。考虑信息分布区域的不同对知识划分的影响。提出了两种改进的属性重要度定义;针对文献中加权平均属性重要度中,加权参数人为确定的局限性,对权数进行了改进。根据粗集的拓扑特征,构造了相应的启发式信息,最后,通过实例证明了算法的有效性。

基于相对可辨识矩阵的决策表属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出一种基于相对可辨识矩阵的决策表属性约简算法。该算法以核属性为基础,通过建立相对可辨识矩阵,利用条件信息熵作为启发式信息,减少属性约简过程中的搜索空间,逐个添加条件信息熵最大的属性,直到找出最小约简为止,并分析了该算法的时间复杂度。实例分析结果表明,该算法能有效地对决策表属性进行约简。

变精度粗糙集的区域属性约简及其结构启发算法

采用二分类情形与三支决策区域,研究变精度粗糙集(VPRS)两类属性约简及其结构启发算法。首先,依托三支决策区域构建分类区域,提出分类区域保持(CRP)约简与决策区域保持(DRP)约简,得到对定性属性约简的量化扩张性,设计基于核的结构启发算法;然后,研究两类区域约简的强弱关系,设计由强至弱的结构启发算法,得到二支决策拓展为三支决策的约简改进;最后,利用数据表实例与UCI数据集验证区域约简及其启发算法的有效性。

基于分明矩阵的属性约简启发式算法

提出了基于分明矩阵的启发式知识约简算法。该算法以分明矩阵中属性出现的频率作为启发信息,通过构造新的决策表,每次选取出现个数最多的属性,直到选取的属性能够保持原决策表的分类能力,此时得到的集合即是一个约简。试验结果表明,该算法在大多数情况下都能够找到最小约简或令人满意的次优解。