基于距离比值尺度的模糊粗糙集属性约简
属性约简能有效地去除不必要属性,提高分类器的性能.模糊粗糙集是处理不确定信息的重要范式,能有效地应用于属性约简.在模糊粗糙集中,样本分布的不确定性会影响对象的近似集,进而影响有效属性约简的获取.为有效地定义近似集,文中提出了基于距离比值尺度的模糊粗糙集,该模型引入了基于距离比值尺度的样本集的定义,通过对距离比值尺度的控制,避免了样本分布不确定性对近似集的影响;给出了该模型的基本性质,定义了新的依赖度函数,进而设计了属性约简算法;以SVM,NaiveBayes和J48作为测试分类器,在UCI数据集上评测所提算法的性能.实验结果表明,所提出的属性约简算法能够有效获取约简并提高分类的精度.
属性约简、模糊粗糙集、距离比值尺度
47
TP301.6(计算技术、计算机技术)
国家自然科学基金61572406
2020-04-10(万方平台首次上网日期,不代表论文的发表时间)
共6页
67-72