摘要：在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。

摘要：属性约简是粗糙集理论中的核心问题,其目的是剔除冗余属性以找到具有较好泛化能力的属性子集.在决策粗糙集理论中,决策代价经常被作为属性约简的约束条件.但值得注意的是,虽然基于决策代价的约简求解算法可以有效地降低训练样本集上的总决策代价,但其往往忽视了测试样本集上的总决策代价.为解决这一问题,利用交叉验证的基本思想,设计了以决策代价为约束条件的一种新的属性约简求解算法.在八个UCI数据集上的实验结果表明,相较于传统基于决策代价的约简求解算法,所提算法不仅能有效地降低训练集合和测试集合的总决策代价,而且找出的属性子集亦可以带来更好的分类性能。

摘要：邻域粗糙集模型中,随着邻域半径的增长,基于多数原则的邻域分类器容易对未知样本的类别产生误判。为缓解该问题,在邻域分类器的基础上,采用了最小平均距离的思想,设计了一种基于邻域距离的分类器,即邻域距离分类器。邻域距离分类器通过邻域粗糙集模型识别出待测样本的邻域空间,然后采用最小平均距离的判别方式来代替多数投票原则,最后找出邻域空间内与待测样本有最小平均距离的类别作为预测的类别标记。在6组UCI数据集上的实验结果表明:1)与邻域分类器相比,所提邻域距离分类器在较大的邻域半径下获得了较为满意的分类结果;2)在进行属性约简之后,与邻域分类器相比,邻域距离分类器依然能在较大的邻域半径下获得较高的分类精度。

摘要：为进一步提升模糊粗糙集的分类性能,提出随机模糊粗糙分类策略。在原始属性集合上利用随机多重采样的方法,得到一组由原始属性的子集构成的合集,在此基础上采取投票方法实现模糊粗糙分类结果的集成输出。实验结果表明,这种随机模糊粗糙分类器的性能优于传统的模糊粗糙集和随机森林方法,在利用约简时,分类性能能够进一步得到提升,为使用集成思想研究模糊粗糙集的分类机制提供了可行的解决途径。