WilsonTh数据剪辑在邻域粗糙协同分类中的应用

摘要：

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。

关键词：WilsonTh数据剪辑、邻域粗糙集、邻域互信息、协同学习、连续型数据

分类号：TP181(自动化基础理论)

资助基金：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

在线出版日期：2014-09-18（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：1092-1100