基于类别随机化的随机森林算法

随机森林是数据挖掘和机器学习领域中一种常用的分类方法,已成为国内外学者共同关注的研究热点,并被广泛应用到各种实际问题中。传统的随机森林方法没有考虑类别个数对分类效果的影响,忽略了基分类器和类别之间的关联性,导致随机森林在处理多分类问题时的性能受到限制。为了更好地解决该问题,结合多分类问题的特点,提出一种基于类别随机化的随机森林算法(RCRF)。从类别的角度出发,在随机森林两种传统随机化的基础上增加类别随机化,为不同类别设计具有不同侧重点的基分类器。由于不同的分类器侧重区分的类别不同,所生成的决策树的结构也不同,这样既能够保证单个基分类器的性能,又可以进一步增大基分类器的多样性。为了验证所提算法的有效性,在UCI数据库中的21个数据集上将RCRF与其他算法进行了比较分析。实验从两个方面进行,一方面,通过准确率、F1-measure和Kappa系数3个指标来验证RCRF算法的性能;另一方面,利用κ-误差图从多样性角度对各种算法进行对比与分析。实验结果表明,所提算法能够有效提升集成模型的整体性能,在处理多分类问题时具有明显优势。     

模糊语言多属性群决策的客观综合赋权方法

针对一类属性及专家权重完全未知且评价值为直觉不确定语言数的多属性群决策问题,提出一种基于客观综合赋权模型的模糊群决策方法。通过定义直觉不确定语言数的不确定度和距离测度,对单个专家内部以及专家群体之间的评价值进行分析,分别建立基于离差最大化和熵值的属性综合赋权模型以及基于不确定度和偏离度的专家综合赋权模型,提出一种基于客观综合权重的直觉不确定语言多属性群决策方法。通过实例分析表明了该方法的可行性和实用性。     

基于空间变换的随机森林算法

随机森林是机器学习领域中一种常用的分类算法,具有适用范围广且不易过拟合等优点.为了提高随机森林处理多分类问题的能力,提出一种基于空间变换的随机森林算法(space transformation based random forest algorithm,ST-RF).首先,给出一种考虑优先类别的线性判别分析方法(priority class based linear discriminant analysis,PCLDA),利用针对优先类别的投影矩阵对样本进行空间变换,以增强优先类别样本与其他类别样本的区分效果进而,将PCLDA方法引入随机森林构建过程中,在为每棵决策树随机选择一个优先类别保证随机森林多样性的基础上,利用PCLDA方法创建侧重于不同优先类别的决策树,以提高单棵决策树的分类准确性,从而实现集成模型整体分类性能的有效提升最后,在10个标准数据集上对ST-RF算法与7种典型随机森林算法进行比较分析,验证所提算法的有效性,并将基于PCLDA的空间变换策略应用到对比算法中,对改进前后的算法性能进行比较分析.实验结果表明:ST-RF算法在处理多分类问题方面具有明显优势,所提出的空间变换策略具有较强的普适性,可以显著提升原算法的分类性能.     

面向决策分析的多粒度计算模型与方法综述

作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进行展望,以期推动多粒度智能决策的不断发展与创新.     

专家权重完全未知的区间直觉不确定语言多属性群决策方法

针对专家权重信息完全未知且属性值为区间直觉不确定语言数的模糊多属性群决策问题,提出一种基于混合权重信息及决策者风险态度的群决策分析方法。在定义区间直觉不确定语言数差异度的基础上,分别利用专家在方案评价值上的贴近度以及方案排序上的一致度来计算两类专家权重,并基于均衡度得到专家的客观综合权重。进而通过融合专家客观综合权重以及基于相似度的个体综合评价值权重,提出一种混合加权集结方法,从而得到方案的群体综合评价值,并通过定义带有风险态度因子的期望值与精确函数实现对方案的比较和排序。最后,通过实例分析证明所提方法的有效性和合理性。     

序信息系统中的知识协调度与知识差异度

针对序信息系统,基于优势关系给出了知识协调度和知识差异度的概念,为刻画和度量序意义下知识之间的协调程度和差异程度提供了一种新方法。讨论和分析了这些度量的性质及它们之间的关系,通过实例表明了上述度量的有效性。这些结论将有助于序信息系统的知识发现研究。     

基于行为和评分相似性的关联规则群推荐算法

使用关联规则推荐工具会遇到最优推荐规则选取难、规则信息不能充分利用等问题。利用较易获取的应用领域知识可有效解决这类问题。针对仅有商品名称和评分信息的推荐情形,提出一种基于行为和评分相似性的关联规则群推荐算法,该算法将规则及相应的评分信息视为推荐专家,将推荐结论相同的专家合并为一个专家组,利用客户行为和评分的双重相似性计算专家权重,并利用群决策的思想集结专家组的推荐意见,从而给出最佳推荐方案。最后通过实例和实验说明了该算法的可行性和有效性。     

数据库原理课程理论教学方法研究

针对数据库原理课程中名目众多且非常繁琐的基本概念和知识点,在分析传统教学模式弊端的基础上,提出一种"问题驱动+图表展示+比较分析"的理论教学模式,实践表明,该教学模式能有效激发学生兴趣,既提高了数据库原理课程的教学质量,又培养了学生的思考能力和学习能力。     

不完备决策表中的粒度思想

粒度计算是粗糙集理论研究的一种强有力的工具。为了更好地研究不完备决策表中的知识获取方法,在基于粒度计算理论和极大相容块技术上,将不完备决策表分为确定的和不确定的两类,讨论了不完备决策表内在的粒度思想,并给出了两类不完备决策表在不同粒度下的相互转化关系。大量实验表明该方法是可行有效的。     

一种基于不可区分度的组合熵与组合粒度

组合熵与组合粒度是一种新的度量信息系统不确定性的有效方法。基于对象之间的不可区分度将组合熵与组合粒度的概念推广到非完备信息系统中,并给出二者的性质。经证明,非完备信息系统中的组合熵与组合粒度之间具有严格的互补关系,并可退化为完备信息系统中的组合熵与组合粒度。实例表明该方法能够时非完备信息系统中的不确定性进行有效的度量,拓展了组合熵与组合粒度的应用范围。