數(shù)據(jù)特征空間的高維性使得學習過程耗費了相對較多的時間,而且可能影響分類性能.鄰域粗糙集模型可以用來解決特征選擇問題,但該模型未能描述現(xiàn)實存在的樣本的模糊性,可能導致信息的丟失.因此,建立了一種新的單標記特征選擇模型,采用兩種不同的隸屬度計算方法獲得樣本對等價類的模糊隸屬度,將每個等價類中最小隸屬度值作為隸屬度閾值.然后利用鄰域樣本隸屬度與閾值的關(guān)系重新定義鄰域粗糙上、下近似,進而通過衡量決策屬性對特征子集依賴度的大小進行特征選擇.在七個公開的UCI數(shù)據(jù)集上進行了實驗,實驗結(jié)果表明,與已有的幾種特征選擇方法相對比,分類準確度得到了進一步提高,選擇的特征數(shù)目明顯減少.

【文章頁數(shù)】：9 頁

【部分圖文】：

圖１不同ｋ值下的分類準確度Ｆｉｇ．１Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｎｆｌｕｅｎｃｅｄｂｙ

第４期溫欣等：一種基于鄰域關(guān)系和模糊決策的特征選擇方法圖１不同ｋ值下的分類準確度Ｆｉｇ．１Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｎｆｌｕｅｎｃｅｄｂｙｄｉｆｆｅｒｅｎｔｋｏｆｓｅｖｅｎｄａｔａｓｅｔｓ從圖１可知，Ｗｉｎｅ，Ｗｄｂｃ，Ｃａｎｃｅｒ以及Ｓｏｎａｒ數(shù)據(jù)集在....

本文編號：3994119