基于PCA和模糊C-均值聚类的目标连续属性量化算法

摘要：

机器学习中很多方法要求目标属性是离散的,而实际中很多属性是连续的.目前的连续属性量化算法存在的问题是当新的对象加入决策表时,原有的分割点可能不是最优的.基于PCA(主成分分析)、模糊C-均值聚类和不相容度概念,提出一种目标连续属性量化算法,该算法具有在量化过程中区别对待不同的条件属性,以决策表的不相容度为连续属性量化终止的标准,在保持决策表信息损失最少的情况下,尽量减少分类的区间数等特点.

关键词：PCA、模糊C-均值、连续属性、不相容度

所属期刊栏目：30

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金60473039;江苏省研究生培养创新工程项目xm0435

在线出版日期：2007-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：59-61