10.3778/j.issn.1673-9418.1406026
WilsonTh数据剪辑在邻域粗糙协同分类中的应用
邻域粗糙协同分类模型结合了邻域粗糙集和协同学习理论,可以处理连续型数据,并可有效利用无标记数据提高分类的性能。但在学习过程中,无标记数据常被错误地标记,从而给训练集引入噪声数据,并导致分类性能不稳定。针对该问题,探讨了WilsonTh数据剪辑在邻域粗糙协同分类模型中的应用。在每一次迭代学习过程中,分类器给无标记数据加上类别标记后,应用WilsonTh数据剪辑选出最大可能标记正确的样本加入训练集,分类器在扩大的训练集上再训练以获得更好的性能。UCI数据集上实验结果表明,WilsonTh数据剪辑能有效地提高加入训练集的数据质量,从而增强邻域粗糙协同分类的性能。
WilsonTh数据剪辑、邻域粗糙集、邻域互信息、协同学习、连续型数据
TP181(自动化基础理论)
The National Natural Science Foundation of China under Grant Nos.61075056,61273304,61202170;the Spe-cialized Research Fund for the Doctoral Program of Higher Education of China under Grant No.20130072130004
2014-09-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
1092-1100