不一致邻域决策信息系统的增量式属性约简研究

属性约简是数据挖掘、机器学习等研究领域中的一个非常重要的预处理步骤,其效率的高低会直接影响到数据挖掘、机器学习等相关任务的性能。针对目前已有的非增量式属性约简方法在处理不一致邻域信息系统动态变化时无法高效更新属性约简的问题,提出一种在不一致邻域决策信息系统中对象集发生变化时的增量式属性约简方法。首先,该文以不一致邻域决策信息系统为研究对象,结合不一致邻域的特点给出了一种新的不一致度的表示方法。在此基础上用不一致度来表征属性重要度,以属性重要度为启发式信息研究不一致邻域信息系统对象集发生变化条件下邻域类以及不一致度的更新机理。随后,以不一致度为启发信息构建了增量式属性约简算法。进一步,在UCI上选取6个数据集,通过分类精度测试实验精选出各个数据集的最佳邻域半径δ,最后,利用最佳邻域半径δ在各个数据集上执行增量式属性约简算法实验,实验结果表明该文提出的增量式属性约简算法在保持分类精度不变的前提下较其他算法更加快速和有效。     

一种序决策信息系统中的快速属性约简算法

为了提高无核或少核序决策信息系统中现有属性约简算法的执行效率,本文以知识粒度表征的属性重要度为启发信息并结合前向属性约简方法提出了一种新的属性约简算法。首先,介绍优势粗糙集方法的相关基础知识,并将经典粗糙集中基于知识粒度的属性约简算法引入优势粗糙集方法中,得到可处理序决策信息系统的属性约简算法;然后,通过分析序决策信息系统中知识粒在属性数目变化条件下的粗化与细化过程,得出相对冗余属性的判断定理,由此结合前向属性约简方法设计了快速属性约简算法;最后分析比较了2种算法的时间复杂度并选取了6个不同的UCI数据集进行算法性能的测试,测试结果表明,本文提出的算法比现有的属性约简算法高效。     

一种基于相容块划分的动态增量式属性约简方法

属性约简是数据挖掘、机器学习等研究领域中的一个颇为重要的预处理步骤，其效率的高低会直接影响相关任务的性能.针对已有的非增量式属性约简方法在相容块粗糙集模型中对象集发生变化时无法高效更新属性约简的问题，提出一种以区分度为启发信息的增量式属性约简方法 .首先，引入相容块的概念并运用相容块对论域进行划分，在此基础上给出不完备信息系统的区分度定义；然后，详细分析对象集发生变化条件下区分度的更新机理；进一步，以区分度为启发式信息构造增量式属性约简算法；最后，选取六个UCI数据集进行增量式约简的更新实验.实验结果表明，在不影响属性约简精度的前提下，该增量式方法的时间消耗比非增量式更新方法平均缩短50%，更加可行和高效.