分類研究作為機器學習、模式識別和數據挖掘等領域最主要的研究任務,一直受到學術界、工業(yè)界的持續(xù)廣泛的關注。大數據時代的到來,更是為分類研究帶來了前所未有的機遇與挑戰(zhàn)。隨著粗糙集技術,特別是鄰域覆蓋粗糙集技術的不斷發(fā)展和完善,大量相關算法被相繼提出。特別是基于覆蓋約簡的分類方法,已成為當前的研究熱點。本文就基于代表的鄰域覆蓋粗糙集分類算法,重點研究了不同相似度計算方法以及不同沖突解決機制對其分類性能的影響;同時根據算法特點設計出與之對應的五種主動學習策略,使改造后的算法能應用在主動學習的任務場景中。首先,本文重現了一種覆蓋約簡算法——基于代表的鄰域覆蓋粗糙集分類算法,并詳細介紹了該算法在訓練和測試階段的工作原理。然后,本文對比了 Overlap,Eskin,OF,IOF,Gooda113和Gooda114六種不同相似度計算方法,在訓練階段對分類精度的影響。因為名詞型數據的相似度計算方法與數值型數據的不同,它們會考慮值域空間以及分布規(guī)律等其他信息。所以研究不同相似度計算方法下的算法分類性能尤為重要。實驗發(fā)現,Overlap和IOF相似度明顯更適用于原算法。另外,本文還提出相似度模型、支持度模...

【文章頁數】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 分類研究現狀
        1.2.2 粗糙集研究現狀
        1.2.3 主動學習研究現狀
    1.3 本文工作創(chuàng)新
    1.4 結構組織
第2章 背景知識及相關理論
    2.1 決策信息系統(tǒng)
    2.2 粗糙集理論
        2.2.1 知識
        2.2.2 不可分辨關系與弱不可分辨關系
        2.2.3 上近似和下近似
        2.2.4 相似關系
    2.3 鄰居與鄰域
    2.4 K最近鄰算法
    2.5 規(guī)則學習
    2.6 UCI數據集
    2.7 本章小結
第3章 基于代表的鄰域覆蓋粗糙集分類算法
    3.1 問題描述
    3.2 算法描述
        3.2.1 分類流程
        3.2.2 運行實例
        3.2.3 算法偽代碼
    3.3 實驗結果
        3.3.1 分類精度對比實驗
        3.3.2 代表數量對比實驗
    3.4 本章小結
第4章 基于不同相似度的代表選舉算法研究
    4.1 其他相似度
        4.1.1 ESKIN相似度
        4.1.2 IOF相似度
        4.1.3 OF相似度
        4.1.4 GOODALL3相似度
        4.1.5 GOODALL4相似度
    4.2 運行實例
    4.3 實驗結果
        4.3.1 分類精度對比實驗
        4.3.2 平均代表閾值對比實驗
    4.4 本章小結
第5章 基于不同沖突解決的代表選舉算法研究
    5.1 沖突解決方案
        5.1.1 相似度模型
        5.1.2 支持度模型
        5.1.3 密度模型
        5.1.4 屬性權重模型
    5.2 實驗結果
    5.3 本章小結
第6章 基于代表的主動學習分類研究
    6.1 問題描述
    6.2 算法描述
        6.2.1 分類流程
        6.2.2 基于代表性的主動學習策略
        6.2.3 基于不確定性的主動學習策略
    6.3 實驗結果
        6.3.1 基于代表性的主動學習策略
        6.3.2 基于不確定性的主動學習策略
        6.3.3 與其他主動學習算法的比較
        6.3.4 不同初始訓練集下的主動學習比較
    6.4 本章小結
第7章 結論
    7.1 本文工作總結
    7.2 未來工作展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文及科研成果



本文編號：3751146