一种有效的属性约简算法

2013-08-23 10:46:10陆光,李想,王彪
计算机与现代化 2013年8期

陆 光,李 想,王 彪

(东北林业大学信息与计算机工程学院,黑龙江 哈尔滨 150040)

0 引言

一般将机器学习和特征规则学习定义为从给定的特征数据中提取重要的、潜在的、有用的结构模式[9]。众所周知,传统的机器学习方法,如决策树方法(ID3,C4.5)等主要研究的是数据约简的主要过程,也就是说,在保留原始数据分类一致性不变的前提下通过属性约简可以得到原始数据的一个更短的属性值描述。如在约简前,如果对象x确定属于类y,那么在约简后x仍然属于类y。粗糙集理论的观点可以表示为“知识就是一种对对象进行分类的能力”[1],其目的是对原始数据的最大约简,也就是说寻找一种尽可能小的模式以适应训练样本。相对约简(后面用约简代替)是一个最小的属性子集,保留了原始数据的分类一致性,从而能够得到整个属性集的分类[2]。在粗糙集理论[3,10-11]中,属性约简是一个基本的、古典的数学问题,这样可以找到一个更好的或近似的约简,用其去更好地分类未知的对象。本文提出一种算法,可以有效地找到约简,其不只是探索好的约简方法,而且更专注Pawlak提出的数学问题中的核问题,这意味着本文把问题看做是一个总结原数据的问题,而不是一个泛化的问题。因此,本文专注对算法的完整性和计算复杂度进行分析,并完成其他相关工作。

表格知识体系被广泛研究并常用于数据挖掘领域,决策表DT(Decision Table)是表格知识体系中的一种,因此决策表是一类特殊而重要的知识表达系统。……

登录APP查看全文