一种新的属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出了一种新的基于相对差异比较表的属性约简算法。该算法给出了一种将信息表转化为相对差异比较表的方法,且该方法对于不相容决策表也是可行的,进而就将求解最小属性约简问题转化为求解一个0-1整数规划问题,并分别采用一般求解规划问题的方法和遗传算法两种方法来求解这个0-1整数规划问题。实验结果证明该算法结合遗传算法能够更加快速有效地进行属性约简。     

基于一致性度量属性约简的决策树构建优化研究

针对样本中有无关的、冗余的属性会降低决策树算法的分类精度,本文提出基于一致性度量属性约简后构建决策树的方法。对UCI机器学习数据库中5个两类分类样本离散化后,分别基于粗糙集和一致性度量的属性约简来构建C45和CART决策树,实验表明基于一致性度量属性约简构建的决策树有较高的精度和可行性。     

一种基于信息熵的信息系统属性约简算法*

粗糙集中找到最小属性约简是一个NP-hard问题,本文根据知识信息熵的定义和性质,定义属性重要性,分析其性质,得出核的求法,给出约简的判定定理,提出了一种基于信息熵的属性约简算法。该算法采用启发式搜索法,先计算属性重要性,求得核,再以核为起点,以属性重要性大小为启发式信息,选择属性,求得最小约简。理论分析和实际计算表明,该算法简明有效。     

一种有效的属性约简算法

粗糙集理论是一种有效的处理不一致、不精确和不完备等各种信息的数学分析工具。属性约简算法是粗糙集理论的关键技术之一,是数据挖掘研究的一个重要课题,也是知识获取中研究的关键问题之一。高效的属性约简算法使属性约简的求解被证实是一个NP-Hard问题,它通常是一个预处理阶段,使适应决策表上的分类分析。本文提出一种有效的方法——SEGMENT-SIG,可以得到最小约简子集,保持决策表的分类一致性。本文对算法最坏的时间计算复杂度进行了分析,该算法的输出是两种不同的分类器,一个是IF-THEN规则体系,另一个是决策树。     

一种基于粗糙集属性频度约简算法的改进

为了获得有效的属性最小相对约简,在基于属性频度的启发式约简算法的基础上,提出了一种同时满足属性重要性和频度改进的启发式约简算法。该算法的基本思想是：以属性的核为基础,以频度作为选择属性的启发信息,即把属性频度最大的属性添加到核属性中,这样就把分类能力较强的属性添加到约简集合中,从而能够获得较优的约简。     

一种基于粗糙集属性频度约简算法的改进

为了获得有效的属性最小相对约简,在基于属性频度的启发式约简算法的基础上,提出了一种同时满足属性重要性和频度改进的启发式约简算法.该算法的基本思想是:以属性的核为基础,以频度作为选择属性的启发信息,即把属性频度最大的属性添加到核属性中,这样就把分类能力较强的属性添加到约简集合中,从而能够获得较优的约简.     

一种基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论研究的重要内容之一,而求解最小约简是NP难问题。为了有效获取最优或次优约简,该文提出了一种基于遗传算法的粗糙集属性约简算法。该算法将属性核加入遗传算法的初始种群来增加收敛速度,而且在适应度函数中,通过计算决策属性对条件属性的依赖度,使该文算法既保证了全局寻优的特性又具有加强局部搜索的能力,能够获得最佳的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

一种增量式属性约简算法

文章基于粗糙集理论提出了一种新的增量式属性约简算法。当信息系统的对象和决策属性不变而不断增加条件属性时,通过该算法可动态地实现属性约简,由该算法得到的属性约简具有一定的实用价值。通过实例验证了该算法的正确性和有效性。     

一种基于信息熵加权的属性约简算法

针对现有邻域粗糙集模型中存在属性权重都相同,无法保证关键属性在属性约简时能够被保留的问题,提出了一种基于信息熵加权的属性约简算法。首先,采用了类间熵、类内熵策略,以最大化类间熵最小化类内熵为原则给属性赋予权重;其次,构造了基于加权邻域关系的加权邻域粗糙集模型;最后,基于依赖关系评估属性子集的重要性,从而实现属性约简。在基于UCI数据集上与其他三种属性约简算法进行对比实验,结果表明,该算法能够有效去除冗余,提高分类精度。     

一种改进的属性约简算法

提出一种改进的属性约简算法,从规则集R→{d}的不确定性角度,结合信息熵理论,重新定义属性重要性的评价标准,并通过实验对比说明算法的有效性.     

一种基于区分度的信息系统属性约简算法

在完备信息系统中,通过引入区分度的概念,以相对区分度为启发式信息,提出一种基于区分度的属性约简启发式算法,并对该算法的时间复杂性进行了分析,最后通过例子说明,该算法能得到完备信息系统的一个约简.     

基于属性桶的约简算法

基于粗糙集理论的属性约简算法是机器学习和数据挖掘领域的研究热点之一。粗糙集理论是一种新型的处理模糊和不确定信息的数学工具,在保证分类能力不变的前提下,通过知识的约简导出概念的分类规则。文中提出了一种基于属性桶的约简算法,其约简过程类似基于属性频度函数的约简算法。该算法首先构造一组与决策表决策属性个数相同的属性桶,不同的属性桶划分了不同长度的区分矩阵项,避免了约简前的排序过程。通过构造属性桶时对核属性进行特殊处理,在一定程度上简化了属性约简过程。     

基于一致性度量的属性约简的研究

粗糙集理论作为一种处理不精确和不一致数据的数学工具被广泛应用于特征子集选择和属性约简中。在大多数现存的算法中,属性依赖度被用来度量特征子集的重要性,而依赖度在处理不一致信息系统时会出现找不到任何特征子集的问题。文中讨论了使用属性依赖性作为度量的缺点和不足,引入一种一致性度量,分析了其和依赖性之间的关系,重新定义了信息系统的多余属性和约简的概念,并构造了基于一致性度量的前向贪婪搜索算法。通过UCI数据集合验证了算法能够有效地处理不一致信息系统。     

基于约简剪枝的属性约简算法

属性约简是粗糙集中重要的技术,只有求出知识系统的所有约简,才能更好地适应在多属性缺失下的推理。该文从属性约简出发,对候选约简进行剪枝,得到了粗约简,并进行反向消除,得到一个知识系统的所有约简,并比较了约简剪枝算法与启发式约简算法。实验证明,约简剪枝算法是有效的。     

基于粗糙集理论的属性值约简算法研究

对基于粗糙集的属性值约简算法及相关理论进行研究,并针对启发式值约简算法进行了性能测试和分析。在数据规模不是很大的情况下,启发式值约简算法与一般值约简算法相比,具有较好的执行效率。     

基于免疫算法的属性约简方法

为了求取决策表系统中属性的最小约简,本文提出了一种基于免疫算法的属性约简方法。该算法应用决策表的相对核来初始化种群,根据决策属性对条件属性的依赖度和抗体中条件属性的个数设计抗体的适应度函数,通过免疫记忆特性和抗体浓度的促进与抑制作用,保持了个体的多样性,提高了算法的全局搜索能力,避免陷入局部最优现象,从而求解出最小属性约简集合。实验结果表明,算法快速、有效,能得到较好的最小属性约简。     

一种基于Rough Set的启发式属性约简算法

属性约简的目的在于减少条件属性中不必要属性的数目,是知识发现中的关键问题之一。本文提出了一种改进的基于Rough集的启发式算法（IMSA）,定义了新的启发函数（WSH）。这个函数考虑了所有隐藏规则集的质量,并且考虑了相关规则集的权重。在算法本身的时间复杂度没有增加的前提下,能够解决MSA算法遇到多个相同MSH值时无法处理的情况。实验分析表明,该算法是有效的。     

基于辨识集的属性约简算法

为了过滤掉不相关或相关程度较低的属性,就必须使用属性约简算法,从而使得属性约简成为粗糙集中一个核心的研究课题。基于差别矩阵的属性约简算法求解时总是先要求出差别矩阵,当问题规模增大时,将导致存放差别矩阵的空间过大和算法执行时间过长。针对这一问题,本文提出辨识集的定义,并利用辨识集设计一个新的属性约简算法。新算法在属性约简过程中不生成差别矩阵和大量的无用元素,大大减少存储量和计算量,从而提高算法的效率。实验验证了新算法的高效性。     

基于动态区分矩阵的属性约简算法

在分析基于静态区分矩阵的属性约简算法基础上,提出一种基于动态区分矩阵的属性约简算法。该算法采用2种不同的区分矩阵调整方案,使其能客观及时地反映出当前的约简以及剩余条件属性对信息系统的影响。实验结果表明,该算法不仅能找到信息系统的属性约简,还能有效减少计算属性约简的计算量,提高计算效率。