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。