基于粗糙集成学习的半监督属性约简

发布时间：2018-05-31 11:57

本文选题：属性约简 + 粗糙集　；参考：《小型微型计算机系统》2016年12期

【摘要】：属性约简是粗糙集理论重要研究内容之一.Pawlak粗糙集约简的对象一般是有监督数据或者是无监督数据.而在很多现实问题中有标记数据很有限,更多的是无标记数据,即半监督数据.仅利用有标记数据一般难以计算出质量较好的属性约简.为此,基于粗糙集理论,结合集成学习与半监督学习,提出有效地利用无标记数据计算半监督数据属性约简算法.该算法在有标记数据上构造一组差异性较大的属性约简构造集成基分类器,在半监督自训练学习过程中,用集成分类器对无标记数据做出预测,扩大有标记数据集,从而获得质量更好的约简.UCI数据集实验分析表明该算法是有效可行的.
[Abstract]:Attribute reduction is one of the important research contents in rough set theory. The objects of Pawlak rough set reduction are generally supervised data or unsupervised data. In many practical problems, there are very limited labeled data, more is unlabeled data, that is, semi-supervised data. It is difficult to calculate attribute reduction with good quality only by using marked data. Based on rough set theory and integrated learning and semi-supervised learning, an effective attribute reduction algorithm for semi-supervised data is proposed by using unmarked data. In this algorithm, a group of attribute reduction on marked data is constructed to construct an ensemble base classifier. In the process of semi-supervised self-training and learning, an integrated classifier is used to predict the unmarked data and to expand the labeled data set. The experimental results of better quality reduction. UCI dataset show that the algorithm is effective and feasible.
【作者单位】：同济大学电子与信息工程学院计算机科学与技术系;上海电力学院计算机科学与技术学院;同济大学嵌入式系统与服务计算教育部重点实验室;深圳大学计算机与软件学院;香港理工大学应用科学与纺织学院;
【基金】：国家自然科学基金项目(61273304)资助 2013年度高等学校博士学科点专项科研基金项目(20130072130004)资助
【分类号】：TP18

【相似文献】