概念格(Galois格)是一种进行数据分类学习的有效工具,然而建格规模庞大使分类效率和准确率受到较大影响。将粗糙度理论应用到概念格分类问题研究中,提出一种新型的近似概念格动态建格和分类挖掘集成学习模型(CACLR)。该模型在粗糙度区间根据样本空间分布构建多个相对独立分布且比较精确的近似概念格分类器,能及时消除建格过程中大量与分类知识无关的节点,有效缩减原格规模
两种手段将若干弱学习器的预测能力进行综合,达到优化以
向下算法首先构造格的最上层节点,再逐渐往下构造,其代表 有 B ra算法,算法很简洁、观,且易于并行化; od t]该直并缺点是重复生成了许多重复节点,每个节点都以其父节点个数的次数被重复生成;自底而上算法则相反,首先构造底部的节
学习系统得到最终的判定结果,该方法已成为当前机器学习 领域热点】。
概念格 ( a i )称形式概念分析,德国教授 G l s格也 o由 W ieR于 1 8首先提出,是一种非常适合用来进行知 l. l 9 2年它识分类和学习的有效工具。概念格根据数据集中对象与属性
点,再一层一层向上建造,其代表有 C e h i法E该算法看 n算,起来比较容易理解,是会在
同层和下层中产生大量的冗余但 对,率较差;举算法则是按照一定顺序枚举格的所有节效枚点,后生成 Has然 se图,节点问关系,代表有 G ne算即其 a tr
之间的二元关系建立概念层次结构,动简洁地体现了各概生 念问的泛化和特化关系。概念格本质上描述了对象与属性 之间的联系,个概念都是对象 (延 )属性 (涵 )统一每外与内的体。然而由于概念格的完备性和精确性,造概念格中概念 构
法¨, g该算法通过拓扑排序方式建立概念格,]速度相对较高, 但其生成 Has se图概念问的关系不明显,理解。增量算法难把当前要插入的对象和概念格中所有的概念进行相交,由交的结果把格中节点分为不变节点、更新节点和新增节点,后然对其采取不同的处理方法。增量算法 (含改进 )目前也有很多算法,主要区别在于连接边的方法不同,最具代表的有 Go其—
数目是形式背景大小的指数级函数,随着数据量巨增,庞大的格节点构造及其存储成为制约概念格的最主要因素,将大大 影响概念格的分类性能。 粗糙集是处理不确定性和模糊性知识的有效工具,糙 粗集的不确定性主要来自两个方面:是由不可分辨关系将对一象分成一些等价类,一个等价类中元素就不可分辨而产生同
d i n算法l l该算法通过对与格相交后生成的 3节点进行 1,。类不同处理来较好地建立格结构,但在搜索产生子格节点和新 生格节点直接子节点时需要遍历所有节点,法的时间性能算和空间性能相对比较弱。目前也有很多其他建格算法,大但多数都是上述算法的改进或者演化。 集成学习算法是利用多个学习器的互补学习功能,获可得比仅使用单一学习器更强的泛化能力,较好地减少分类 能误差。经过十几年的不懈努力,成学习由最初的萌芽逐步 集发展起来,多研究者提出了各种不同算法,中以 B ot g很其 o si n和 B a ig为典型, ot g的基本思想是把一个弱学习 ggn最 o B si n器通过逐阶段最小化一个特定的误差函数的梯度下降从而
转 化为一个任意高精度的学习器, ggn B a ig的基本设计思想是改变样本分布,高错误样本概率,下一次的弱学习机能够 提使
不确定性;二是粗糙集近似域中的下近似与上近似不相等时, 存在边界,不确定性也就存在。 19即 9 1年 P wl . a a Z提出关 k于粗糙集中不确定性测量来用粗糙度方法,过近似空间中通下近似与上近似的近似域来确定粗糙度,好地解决了由近较似域所引起的不确定性问题【。该方法在粗糙集处理不确定 领域引起较多的关注,很多学者以此为基础提出一些改进有 方法等。
基于上述研究问题,本文将粗糙度等理论应用到概念格分类学习问题研究以弥补概念分类学习过程中的不足,建并 立动态分类集成学习模型,要研究内容和创新成果如下:主 ( )出一种新型的基于粗糙度范围的动态近似概念格建格 1提方法,态消除大量与分类知识无关的数据节点,效缩减原动有格规模;2根据样本空间分布构建多个相对独立且比较精确 ()的近似概念格分类器,别进行样本的分类学习; 3通过特分 ()征重组和格空间优化,用典型的 AdB ot MH算法进行 利 a os .多个同类分类器集成,符合一定的评价标准下得到基于粗 在糙度的近似概念格分类挖掘集成学习 C L AC R模型 ( as i Cl i sf c t n M o e b s d I ai o d l a e O l Ap r xma in Co c p L t ie f p o i t n e t a tc o o
集中精力针对那些困难样本进行学习。本文采用以 B ot g o si n 算法为基础的改进的典型 Ad B o tMH算法,将一个多 a o s.它类问题转化为一系列两分类问题,合相同类型“义”组狭的学
习分类器对同一个问题进行学习。其具体实施过程为:首先给每一个训练样例赋予相同的权重,然后训练第一个基分类 器并用它来测试训练集,于那些分类错误的测试样例提高对
其权重,最后用调整后的带权训练集训练第二个基分类器,重 复这个过程直到符合一定标准的组合建立集成学习分类 器 E,] 1]。
1e
R u h es;4通过对比实验验证该模型集成学习的准确 o g ns) ( ) 性、高效性和适用性。
1概念格构造和集成学习算法研究现状 概念格的每个节点是一个形式概念,两部分组成:延由外和内涵,外延即概念所覆盖的实例,内涵即该概念覆盖实例的共同特征。另外,念格通过 Has图生动、洁地体现了这概 se简些概念之间的泛化和特化关系。属性值集合 (即项目集 )问之的关系在概念格之间得到了充分体现,数据集 (念格中称 从概 为形式背景 )生成概念格的过程实质上是一种概念聚类过 中
在概念格建格过程,坏的情况是概念格中节点数按指最数级快速增长,该格进行知识学习的能力较差。因此对大用
规模数据集,必须控制格中节点的增长。对于批处理建格算 法,在建格过程中引入一个支持度门限。对于支持度小于可门限的节点,予继续展开而达到剪枝的目的。对于增量式不算法,要在建格过程中进行反复修剪,形就较为复杂。近需情年来有些学者提出利用内涵缩减来简化概念格 _,于搜索 1基 空间划分进行概念格生成 _]及概念格的横向合并等【。】以
程 l。在概念格分析中,念格建格具有很重要的地位。对 5]概
由于概念格的完备性和精确性大大制约了概念格构造效率, 因此利用修剪等方法简化格有时效果也不是太好。我们知道粗糙度利用下近似与上近似的近似域范围来确定其值,带有 一
于同一批数据,生成的格不受数据或属性排列次序的影响,所 具有唯一性,是概念格最大的优点之一。自从概念格被提 这出以来,建造算法一直成为学术界研究的热点问题,同的其不学者在自己的研究领域提出了不同的建格方法。
定的不确定性和模糊性,此可以开展两者技术的融合,因在
粗糙度一定区问范围内研究动态近似概念格建格,立独立建
目前概念格建格方法主要分为两个方面:处理算法和批 增量算法。批处理算法目前分为 3,类即从顶向下算法、自底
分布且比较精确的基本近似概念格分类器,利用 Ad—并
a o s B otMH算法将多个分类器进行集成学习,给概念格和 .这分类学习的研究必然带来新的思路。
而上算法和枚举算法。它们的思想和优缺点分析如下:从顶
】 5 7

提出一种在概念格上提取分类和 关联规则的集成算法,...2) 提出一种概念格中概念近似的方法。 通过发现...粗糙集理论及其研究现状 ......
基于粗糙度的近似概念格... 18人阅读 6页 ...第3 卷第 2期 221年 2月01 通 信 学 报 V1...基于分类概念格的动态策 略存 取模型 焦素 云一 ...
应用进行了论述, 最后对粗糙集理论今后的研究方向进...在粗糙集理论中,“知识”被认为是一种分类能力,也...粗糙集理论的不确定性是建立在上、下近似的概念之...
基于粗糙度的近似概念格... 暂无评价 6页 2...基于分类概念格的动态策略存取模型焦素云1,2刘衍珩1...研究了概念格结构在该方 面的优势,提出了基于分类...
基于粗糙集理论的面向属性概念格动态压缩_数学_自然科学_专业资料。第4O卷第11 A期 201 3年11月 计 算 机 科 学 Vo1.40 No.11A Nov 2013 Comp ...
粗糙集理论与应用研究综述_IT/计算机_专业资料。...通过等价关系的分类以及分类对于目标的近似 实现知识...概念格、群体智能算法技术等都有了相应 的研究成果...
库分类归纳形成概念和规 则,通过等价关系的分类以及...粗糙集理论与应用的核心基础是从近似空间导出的一对...模糊现象,律属度 ?? ? ? ? ?粗糙现象,研究那些...
周才 学 ZHOU Wan, ZHOU Cai xue ( 九江学院... 利用粗糙集和扩 展概念格模型来进行分类规则提取 ... 定义 X 的 R 下近似集为 : RX = G Y I U...
基于粗糙度的近似概念格动... 暂无评价 6页 2....网格的动态、分布特性和密集型计算能力[5]与语义、...并用形式概念分析理论[12],研究了网格资 源粗糙概念...
分类归纳形成II Domain逼近概念格粗糙集与拓扑 概念...粗糙集理论中有两个重要的概念;一是近似算子(粗糙...有助于格上拓扑 学以及广义代数格理论的研究. 关键...
热门文档