摘要：城际旅客出行选择关系到客流预测的准确性,为明确旅客的出行选择行为,本文从出行的影响因素出发,划分为供给和需求因素,结合西铜城际旅客出行调查数据,应用旅客个体属性影响因素模型,得到影响最大供给因素-年龄属性,应用交通方式服务属性偏好模型,得到不同年龄层西铜城际旅客对交通工具服务属性选择权重表,结果表明,不同个体属性的旅客普遍偏好安全、经济性高的交通工具,算法能够给出不同属性旅客对于交通工具比选的量值,为城际通道内客流分析提供了借鉴。

摘要：属性选择是一种有效的数据预处理方法,可同时保留多变量时间序列重要变量的时序关系及其实际物理意义.针对很多实际数据无类别信息的问题,文中提出一种无监督属性选择算法并分析其复杂度.首先设计一种无需进行相空间重构的多变量时间序列分形维数计算方法,并将分形维数视为其本质维,利用属性子集的分形维数及其属性数目的变化作为子集优劣的评价标准.再优化离散粒子群算法以解决高维属性空间搜索的"组合爆炸"问题.最后利用典型混沌动力学系统所产生的多变量时间序列和UCI数据库的5组数据集进行仿真计算,结果表明该算法可在较短时间内找到较优的属性子集,具有较优的整体性能.

摘要：在认知诊断评估中,构建正确测验Q矩阵十分关键但比较困难。本文在简要介绍认知诊断评估之后,从认知诊断模型视角,重点阐述和评价了知名模型或框架下(规则空间模型、属性层级模型、融合模型、回归树、确定性输入噪音与门模型、证据中心设计和认知设计系统)测验Q矩阵中属性指定、选择和验证的方法,指出了各方法的优势和劣势。最后,归纳了测验Q矩阵构建的一般性步骤和方法,并讨论了未来可能研究方向。

摘要：为解决高维数据属性维度高,不易直接应用的问题,提出通过属性自表达移除不相关和冗余属性的属性选择算法。基于稀疏学习的框架,通过属性自表达考虑属性间的相关性,利用子空间学习的局部保留投影(LPP)算法,确保属性选择时数据的局部结构保持不变。实验结果表明,该算法在UCI等数据集上优于4种对比算法。

摘要：属性的选择和评价是知识基系统设计中的重要任务和影响系统性能优劣的关键因素。为此,利用遗传算法的遗传算子搜索机制和相关性分析的启发式作为评价机制,提出一种新颖的属性选择策略,用于从属性集中选择给定案例最优的属性子集。实验结果表明,该方法可以确定与分类和预测最相关的属性子集,同时在几乎不降低分类准确性的情况下,极大地减小属性的表示空间。

摘要：高维的数据之间除了有线性关系之外,还有非线性的关系,为此提出一种基于核函数的低秩非线性属性选择算法。通过核函数把数据的每个属性都映射到高维空间,在高维空间中表示出属性之间的非线性关系;通过低秩约束排除噪声的干扰,利用高维空间中数据属性对应的稀疏正则化因子进行属性选择。核函数映射可以找出数据属性之间的非线性关系,低秩约束相当于对高维数据的全局结构进行子空间学习。该算法是一种嵌入了低秩结构的非线性属性选择算法。实验结果表明,该算法比其它的属性选择算法具有更好的效果。

摘要：代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理想也是代价敏感属性选择的主要问题之一。针对这些问题,以总代价最小为目标,设计了一种新的动态误分类代价机制。结合分治思想,根据数据集规模按列自适应拆分各数据集。基于动态误分类代价重新定义最小代价属性选择问题,提出了动态误分类代价下的代价敏感属性选择分治算法。通过实验表明,该算法能在提高效率的同时获得最优误分类代价,从而保证所得属性子集的总代价最小。

摘要：针对已有属性选择方法较少考虑属性获取代价和属性集维数的自动确定问题,提出一种满意属性选择方法(SA SM),将样本分类性能、属性集维数和属性提取复杂性等多种因素综合考虑。给出了属性满意度和属性集满意度定义,设计出满意度函数,导出满意属性集评价准则,详细描述了属性选择算法。对某电信公司客户流失预测的实证结果显示,SA SM获得的命中率、覆盖率、准确率和提升系数高于属性相关性选择法、一致性选择法、实例选择法和对称不确定性选择法。证实了SA SM的有效性和实用性。

摘要：针对当前航天型号软件模块故障预测中度量属性过多而影响分类模型效率、准确率和数据收集困难的问题,以NASA公布的MDP数据集为基础,设计了基于Logistic回归模型的属性选择算法;通过该算法在6个数据集上的应用选择了对航天型号软件质量影响较大的4个属性,并将其在12个软件中进行验证,说明了该算法的有效性,选择的4个度量属性可为当前航天型号软件的度量提供参考和依据。

摘要：朴素贝叶斯分类算法简单且高效,但其基于属性间强独立性的假设限制了其应用范围.针对这一问题,提出一种基于属性选择的改进加权朴素贝叶斯分类算法(ASWNBC).该算法将基于相关的属性选择算法(CFS)和加权朴素贝叶斯分类算法(WNBC)相结合,首先使用CFS算法获得属性子集使简化后的属性集尽量满足条件独立性,同时根据不同属性取值对分类结果影响的不同设计新权重作为算法的加权系数,最后使用ASWNBC算法进行分类.实验结果表明,该算法在降低分类消耗时间的同时提高了分类准确率,有效地提高了朴素贝叶斯分类算法的性能.