作者：郑文彬; 李进金; 何秋红属性重要度变精度邻域粗糙集属性约简多叉树
摘要：邻域粗糙集理论主要用于知识发现、属性选择、决策分析和数据挖掘等领域,能够根据数据的特点选择合适的离散化策略,在处理模糊和不确定性知识方面表现良好。但是,传统粗糙集属性约简算法存在难以确保获得约简、约简后的粗糙集属性识别准确率低等不足。对此,文中提出了一种基于属性重要度的属性约简算法。在充分考虑现有条件信息熵多方面不足的基础上,借鉴变精度邻域粗糙集理论对阈值参数进行重选,以新的条件信息熵作为度量基准,根据决策信息系统中的偏好属性推导出偏好决策规则集。对偏好决策规则集进行粗糙规则提取,并通过邻域粒化方法建立了变精度邻域粗糙集模型。该模型在处理大规模粗糙集属性数据时,计算时间较长,冗余属性过多。针对该问题,给出了一种属性重要度评价策略,在此基础上通过融合多叉树理论设计了变精度邻域粗糙集属性约简算法。实验结果表明,与传统方法相比,所提算法的属性识别准确率为92%,提高了10%左右,这充分验证了所设计的属性约简算法具有较强的有效性和较高的应用价值。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
