Mar, 2024

模糊粗糙 Choquet 距离在分类中的应用

PDF
TL;DR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。
choquet distancefuzzy rough setattribute informationnon-linear relationshipsmachine learning
发现论文，激发创造
  • 基于 Choquet 的模糊粗糙集

    介绍了基于有序加权平均和 Choquet 的模糊粗糙集，在机器学习应用中能提供更大的灵活性，特别是在离群样本检测算法的无缝集成方面，以增强基于模糊粗糙集的机器学习算法的鲁棒性。

    Feb, 2022

  • 功能选择、分类和知识表示的高效准确粗糙集

    此篇论文提出了一种基于粗糙集的数据挖掘方法，实现了特征选择、分类和知识表示，通过相对重要性提出了粗糙集的效率和准确性，为知识表示和分类提出了粗糙概念树。实验结果表明，该框架比七种流行的或最新的特征选择方法具有更高的准确性。

    Dec, 2021

  • 一种评估最近邻分类的统一加权框架

    我们首次全面且大规模地评估了经典的最近邻（NN）、模糊最近邻（FNN）和模糊粗糙最近邻（FRNN）分类方法，同时我们发现 NN、FNN 和 FRNN 都与 Boscovich 距离表现最佳，NN 采用 Yager 距离权重的方式可以达到与 Samworth 距离和等级权重相结合的方式相当的性能，FRNN 通常优于 NN，而 NN 又明显优于 FNN。

    Nov, 2023

  • 一种形式上健壮的时间序列距离度量

    本文提出了一种新的距离度量方法来解决时间序列数据在分类中被任意数据污染的鲁棒性问题，并在 k 近邻时间序列分类中得到了有竞争力的分类精度。

    Aug, 2020

  • 利用不相交和相邻模糊颗粒进行多类别颗粒逼近

    该论文介绍了粒计算中的模糊集可以通过粒状表示集合来逼近，提出了不相交和相邻的粒子的定义，并研究了新定义对粒状逼近的影响，针对二元分类问题，利用新概念分离决策区域但尽可能覆盖属性空间；对于多类分类问题，定义了多类粒状逼近，并演示了如何高效计算 Łukasiewicz 模糊联结的多类粒状逼近。

    Feb, 2022

  • 一个可简易处理的图距离家族

    本研究主要探讨了在度量空间中的对象，如最近邻搜索和聚类等重要数据挖掘问题，以及在图上聚类和分类等的应用。研究发现，虽然一些流行的大规模图距离量度并非度量空间，但可以定义一类包含多种距离度量且具有可计算性和可扩展性的图距离度量方法。此外，研究人员还探讨了如何将节点的属性信息融入度量中。

    Jan, 2018

  • 基于模糊量化的模糊粗糙集

    本文改进了模糊量化模糊粗糙集（VQFRS）模型，引入了基于模糊量词的模糊粗糙集（FQFRS）模型，使用泛化的一元和二元量化模型，并应用多个二元量化模型来分类，特别地，介绍了 Yager 的基于加权蕴涵的二元量化模型在 FQFRS 中的优化作用。

    Dec, 2022

  • 稳健的拓扑推断：距离度量和核距离

    文章采用持久同调方法总结距离函数下水平集的拓扑特征，提出了抗噪声和异常值的距离测度方法 DTM 和核函数距离，并对 DTM 进行了浓度界定和参数选择。

    Dec, 2014

  • 模糊集合上的核函数：概述

    该论文介绍了模糊集上的核的概念和其在相似度度量中的应用，提出了交叉积、交集、非单例和基于距离的模糊核等不同类型的核，并探讨了在包含本体和认知解释的不确定数据上应用这些核的机器学习和数据科学任务。

    Jul, 2019

  • 基于两种新距离的有序时间序列模糊聚类及其经济应用

    本文针对序列响应的类别性时间序列聚类问题，提出了基于原型聚类方法的两种距离度量，并采用模糊聚类方法提高了其计算效率和准确性，所提方法在经济学时间序列应用中具有很好的可行性。

    Apr, 2023