基于邻域粗糙集的主动学习方法

摘要：

主动学习是机器学习领域的重要研究方向.现有主动学习方法通常选择不确定性的或具有代表性的样本供专家打标,然后添加到已标记的数据集中供分类器学习,但没能充分利用数据的分布信息,并且在野点采集问题上有待改进.结合邻域粗糙集理论,提出了一种基于邻域粗糙集的主动学习方法(neighhbor rough set active learn-ing,NRS-AL).实验结果表明,在加州大学数据集(university of CaliforniaIrvine,UCI)上,该算法充分利用了数据的分布信息,同时结合样本的不确定性和代表性计算,处理了野点的选择,是一种能有效解决主动学习样本选择问题的算法,在accuracy,受试者工作特征(receiver operating characteristic curve,ROC)曲线下面的面积(area under curve,AUC)指标上优于文献中的主动学习算法.

关键词：邻域粗糙集、主动学习、基于池的样本选择

所属期刊栏目：29

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金61309014;教育部人文社科规划项目15XJA630003;重庆市教委科学技术研究项目KJ1500416;重庆市基础与前沿研究计划项目cstc2013jcyjA40063The National Natural Science Fundation of China61309014;The Ministry of Education Humanities and Social Sciences Program15XJA630003;The Science and Technology Research Project of Chongqing Municipal Education CommissionKJ1500416;The Chongqing Basic and Frontier Research Programcstc2013jcyjA40063

在线出版日期：2018-01-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：776-784