基于模糊区分矩阵的增量属性约简
在实际应用中,决策系统的属性集可能随时间而变化.如何有效地更新约简成为数据挖掘中的重要任务之一.当属性集发生变化时,经典约简算法需要重新计算整个数据.而增量学习充分利用了现有的约简信息,避免了大量的重复计算,从而提高了计算效率.本文针对属性增加和减少的动态数据研究了增量属性约简方法.首先分别设计了属性增加和减少时模糊区分矩阵的更新机制;然后提出了新的属性增加的属性约简算法AIFDM和属性减少的属性约简算法ADFDM.最后,实验结果表明所提的增量算法能够有效的根据属性的增加和减少更新约简,且计算效率提升约1至4.9倍.
数据挖掘、模糊粗糙集、增量学习、属性约简、模糊区分矩阵
37
TP391(计算技术、计算机技术)
湖南省自然科学基金优秀青年项目;长沙市杰出创新青年培养计划
2023-04-20(万方平台首次上网日期,不代表论文的发表时间)
共12页
109-120