控制与决策

作者：印振宇,王平心,杨习贝,于化龙,钱宇华

单位：江苏科技大学 计算机科学与工程学院,江苏 镇江 212100,,江苏科技大学 数理学院,江苏 镇江 212100,,江苏科技大学 计算机科学与工程学院,江苏 镇江 212100,,江苏科技大学 计算机科学与工程学院,江苏 镇江 212100,,山西大学 计算机与信息技术学院,太原 030006,

关键词：属性选择;粒度;启发式算法;启发式信息;邻域粗糙集;Pareto最优

基金：国家自然科学基金项目(62076111)；江苏省研究生实践创新计划项目( SJCX22_1905).

利用某一给定度量作为属性评价指标以及启发式算法的约束条件,是大量属性选择方案的关键.然而,属性相似性评价的缺失与朴素的逐个选择机制,使属性遍历存在冗余,故时间消耗巨大.此外,单一度量限制了属性评价视角,难以挖掘出高学习性能的属性.鉴于此,提出一种属性选择框架,其中:1)利用属性粒度及属性间的知识距离对属性分组,组内属性具有明显差异性且组间属性具有较强区分能力,使属性遍历以组为单位,有效压缩候选属性搜索空间,提升属性选择效率;2)利用提出的受限Pareto最优原则,对属性组进行迭代选取,最终得到期望的属性子集.在12组UCI 数据集上,通过注入4种不同比例的属性噪声进行实验,结果表明: 相较于8 种流行方法,所提出方法得到的属性选择结果,在分类稳定性这一指标上平均提升了5.89%,在分类准确率这一指标上平均提升了12.28%,在时间消耗这一指标上平均降低了59.27%.

来源：2024年第9期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第9期