功能选择、分类和知识表示的高效准确粗糙集
提出了一种基于空间优化的粗糙集属性约简算法,通过引入空间相似性的概念,找到具有最高空间相似性的约简,使得约简与决策属性之间的空间相似性更高,从而得到更加简明和广泛的规则,并通过与传统的粗糙集属性约简算法的比较实验证明了基于空间优化的粗糙集属性约简算法的有效性,对许多数据集取得了显著改进。
May, 2024
本研究提出了一种基于增量互信息的改进群智能优化方法(IMIICSO),它利用粗糙集理论计算基于互信息的特征选择重要性,通过探索超样本的互信息计算,可以丢弃无用的特征,有效降低最优特征子集的基数,提高了高维大规模数据集的特征筛选的效率和精度。
Feb, 2023
通过选择最具信息量的特征并消除无关的特征,我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS,该方法能够在大型数据集上有效地降低计算成本,而且性能优于其他最先进的特征选择方法。
Jan, 2024
本文提出了一种新的基于粗糙集的成员资格称为排名度量,用于排名特定类别的元素,特别是在处理存在于现实世界问题中的不一致,错误和缺失数据时。然后,我们将成员资格和排名的概念应用于有监督的多文档摘要问题,其中首先使用各种有监督的学习技术确定重要句子类,然后使用所提出的排名测量进行后处理。结果在准确性方面有显着提高。
Feb, 2020
本研究旨在通过将 Shannon 熵与粗糙集理论相结合,提供一种创新的方法来推广机器学习评估方法。该综合框架将粗糙集理论的粒度与 Shannon 熵的不确定性量化相结合,应用于一系列机器学习算法,旨在不仅评估预测性能,还揭示数据的内在结构和模型的鲁棒性。通过在各种数据集上进行严格测试,结果表明了该综合方法在增强机器学习评估中的实用性,提供了一个多方位的视角,平衡了准确性与对数据属性和模型动态的深入理解。该论文为机器学习评估提出了一种开创性的观点,提出了一种概括模型性能整体视图的方法,从而在模型选择和应用中促进更明智的决策。
Apr, 2024
提出了一种基于模糊粗糙集理论的新型 Choquet 距离测量方法,该方法能够灵活捕捉数据中的非线性关系,结合了条件属性对决策属性的相互作用,从而使距离更加灵活和准确。在机器学习中应用该方法,特别强调基于距离的分类方法(如 k 最近邻),并研究了两种基于正区域的模糊粗糙集测量方法,以及两种从模糊粗糙集理论中推导出的使其适用于 Choquet 积分的单调化程序,并探讨了它们之间的差异。
Mar, 2024
教师的知识体系由数学内容知识、学生认识论知识和教学知识组成。本论文提出了一个两层粗糙集模型,以集中处理模糊性、粒度和多模态性,并通过扩展的方程推理示例来演示。
Feb, 2024
提出了一种高效的、可扩展的、基于特征提取和重要性过滤的算法,用于过滤机器学习流水线中具有显著影响的特征,特别适用于预测性维护或生产线优化等任务中的时间序列分类和回归问题,并在模拟随机过程和 UCR 时间序列分类库的二元分类问题中进行了基准测试。
Oct, 2016
本文提出了一种基于粗集理论的规则一般性诱导方法(Rule General Abductive Learning by Rough Set,RS-ABL),用于解决信息系统中知识处理中的知识获取、纠错、减少、生成和协同处理等问题,并在解决半监督任务时具有更高的准确性。
May, 2023