文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 分类数据集的一致化特征选择约简
侵权投诉

分类数据集的一致化特征选择约简

样本数据集的不一致性和冗余特征会降低分类的质量和效率。提出了一种一致化特征选择约简方法,该方法基于贝叶斯公式,采用阈值,将非一致数据归为最可能的一类,使数据集一致化。并在一致数据集上,运用类别区分矩阵选择可准确区分各类数据的最小特征变量集。给出的启发式搜索策略和应用实例表明:一致化特征选择约简方法能有效消除分类数据集的不一致性,选择最优的特征变量、

维普资讯 doc.guandang.net

14 2 0,3 1 ) 7 0 74 (8

C m ue E gn e i n p l ai s计算机工程与应用 o p tr n ie r g a d A p i t n n c o

分类数据集的一致化特征选择约简 吴新玲 1, 2 W U Xi— i g’ n ln

1东技术师范学院信息工程系,州 50 6 .广广 12 2 2汉大学软件 T程国家重点实验室,汉 4 0 7 .武武 302 1De a t n f I fr t n En i e r g Gu n d n oy e h i o a ie st Gu n z o 2 2, h n . pr me t o no mai g n e i, a g o g P lt c n c N r l Unv r i o n m y, a g h u 5 6 C ia 1 0 2 S ae K y L b f S f r gn e n, u a n v r i W u a 3 0 2, h n .t t e a .o ot e En i e r g W h n U ie st wa i y, h n 4 0 7 C i a

W U n- i g Co s t n e t e s lc i n e u t n b u l s i c t n d t s tCo Xi l . n i e t f a ur e e t r d c i a o t c a s f a i a a e . mp t r n i e rn a d Ap l a i n . n s o o i o u e E g n e i g n p i t s c o

2 0, 3 1:7 - 7 . 0 7 4 ( 8) 1 4 1 6

Ab t a t T e d s c o d a d t e r d n a c fau e f a s mp e d t s t wi d o h l si c t n q a i a d ef i n y n s r c: h i c r s n h e u d n y e t r s o a l a a e l r p t e c a sf a i u l y n f c e c .I a l i o t i t i a e . e meh d c l d o ss n e t r s lc in r d c in i r p s d b u h l si c t n d t e . h s meh d g o p h s p r t t o al c n it t fa u e ee t e u t s o o e a o tt e c a sf ai aa s t i p h e e o o p i o T t o ru t g t e h n o s tn au o h e t p s i l ae o y a d o eh r t e i c n

i e t d t m f t e b s o s e c tg r n ma e t e aa s t u i r b s d n t e B y sa o ul n s b k h d t e n fm o a e o h a e in fr m a ad

a t r s od au .h n a a e o d s n u s ma r i b i u o h c n i e t aa e a d h la t f au e a a l s b e h e h l v leT e c t g r it g i y i h t x s u l p n t e o ss n d t s t n t e e s e t r v r b e u s t i t t i t a a it g i h l s i c t n a c rt l s o t i e h o g h a e o it g ih mar . e rs c s a c tae y a d h t c n d si u s t e c a sf ai c u aey i b an d tr u h t e c tg r d si u s t x A h u it e rh sr tg n n h i o y n i i a p a t a x mpe a e gv n T e e u t s o h c n i e t f au e ee t n e u t n r c i l e a l r ie . h r s l h ws t e o ss n e t r s l ci r d c i meh d c n l n t h d s c o d f c t o o t o a ei ae t e ia c r s o mi t e s mp e d ts t s lc h o t l fa u e v r b e, r p t e d me so f t e d t n e u e t e r d n a c n o ma in e- h a l aa e, ee t t e p i e t r a a l s d o h i n in o h a a a d r d c h e u d n y i fr t f ma i o f ciey. e tv l

Ke r s d t nn; l s i c t n;e t r ee t n; aa r d c in y wo d: aa mi i g c a sf ai f au e s l ci d t e u t i o o o

摘

要:本数据集的不一致性和冗余特征会降低分类的质量和效率。提出了一种一致化特征选择约简方法,方法基于贝叶斯样该

公式,用阈值,非一致数据归为最可能的一类,数据集一致化。并在一致数据集上,用类别区分矩阵选

择可准确区分各类采将使运

数据的最小特征变量集给出的启发式搜索策略和应用实例表明:致化特征选择约简方法能有效消除分类数据集的不一致性,一 选择最优的特征变量、低数据的维数、少数据集中的冗余信息。降减 关键词:据挖掘;类;征选择;据约简数分特数 文章编号:0 2 8 3 ( 0 7 1 - 1 4 0 文献标识码: 中图分类号: P 9 10— 3 12 0 )8 0 7— 3 A T31

l引言 分类是数据挖掘中的一类重要问题,分类问题的有效解而

经过一致化处理后,择可准确区分各类数据的最小特征变量选集方法,给出了相应的启发式搜索策略。并 将分类数据集首先进行一致化处理。后再基于一致数据然 集选择最小特征变量的约简过程,称为一致化特征选择约简。 文章最后基于提出的方法给出了相应的算法以及应用实例。结果表明该一致化特征选择约简方法是准确和有效的。

决依赖于训练样本数据集的质量。庞大、余和非一致的数据冗 集会严重影响数据挖掘算法的有效性。因此。何消除数据集如中的不一致性,择最优的特征变量、低数据的维数、少数选降减据集中的冗余信息,分类数据挖掘中的一个重要研究内容。是 目前,于数据集中的非一致数据常采用删除或简单归为对 一

个新类的处理策略 l这样难免会丢失一些有用信息或使数 l l。

2分类数据集的一致化约简 下面首先给出分类训练样本数据集一致性判断的形式定义 .后从贝叶斯统计公式出发导出非一致数据最可能的类别然计算方法。 设训练样本数据集=,:…,,选特征变量集={ U, Ul候 ,,, l类别变量为 y, i特征变量 (≤i 2… ,第个 1≤m) 的

据类别受个别异常数据的左右,而降低分类质量。本文基于从

贝叶斯统计方法,用阈值,非一致数据归为最可能的一类,采将 并删除冗余的数据记录,样既能有效降低因简单删除或归类这 造成的信启损失,可以减少数据集的大小。、又 选择最优的特征变量就是要

选择最具代表性、有足够区含

分个体类别信息的最小特征变量子集,由此消除冗余属性,降 低数据的维数。优特变量子集的选择是一个 N最 P难题。 因 此。目前的研究主要集中于评估。基于统计方法I,如 1粗糙集方

值域为,里假设的取值都已离散化。y的值域为 C{,这:c C,, l则任一样本实例 U∈U的特征值为 m维向量空间=:… C, V×× 中的元素。 2…× 假设训练样本数据集巾的实例有 t不同的特值,个

法li模糊集和信息粒度理论 I等。本文提了一种在数据集 g0 -1。 l l 1

基金项目:汉大学软件工程国家重点实验室开放基金资助 ( o K S 0— 9。武 N . L E 5 0 ) S 作者简介:新玲,,教授,究方向:据挖掘、件开发方法等。吴女副研数软

分类数据集的一致化特征选择约简

第1页

你可能喜欢

  • 机油的分类
  • 主板的分类
  • 水泥的分类
  • 中考数学分类汇编一次函数
  • 轴承的分类

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email