简介:基于封面的不平的集合处理一盖住宇宙组织的数据。一个软集合是宇宙的子集的一个parameterized家庭。两个理论能处理数据的无常。软集合在对目标的近似描述上有并非任何限制,并且他们可能形成一盖住宇宙。从这个观点,我们建立在这二个理论之间的一个连接。明确地,我们为这个目的建议一个互补参数。与这个参数,软盖住近似空间被建立,二个理论是bridged.Furthermore,我们学习在盖住和软盖住近似空间之间的一些关系并且获得一些重要结果。最后,我们定义一个观点联合能帮助我们简化参数的集合并且减少一个软盖住近似空格的存储要求的参数。
简介:特征选择(FS)指选择给定的outcome.Unlike是很预兆的那些输入属性的过程另外的维数减小方法,在FS的reduction.The好处是双重的以后,特征选购者保存特征的原来的意思:它更加减少正式就职算法的跑的时间,并且增加在用模糊逻辑和模糊逻辑的乳房X线照片分类的FS过程基于的产生model.This纸分析的精确性Quickreduct算法被申请从特征的FS提取了使用在乳房X线照片region.The上构造的灰色的水平co-occurence矩阵(GLCM)预兆的精确性特征用NaiveBayes,Ripper,C4.5,和蚂蚁矿工algo被测试
简介:特征选择(FS)目的将当在代表原来的特征保留合适高的精确性时,从一个问题领域决定一个最小的特征(属性)子集。当有许多success.RST的如此的一个工具启用数据相关性和独自用数据在数据集包含的属性的数字的减小的发现,不平的集合理论(RST)被使用了,不要求另外的信息。这份报纸在基于RST的途径后面描述基本想法,考察在这些想法上造的相关FS方法,并且分析象Quickreduct算法那样的更经常使用的基于RST的传统的FS算法,熵基于编校算法,和相对编校算法。一些在存在算法和我们的建议改进算法罐头的缺点克服这些缺点,这被发现。试验性的分析被执行了以便完成建议算法的效率。
简介:Featureselection(FS)isaprocesstoselectfeatureswhicharemoreinformative.Itisoneoftheimportantstepsinknowledgediscovery.Theproblemisthatnotallfeaturesareimportant.Someofthefeaturesmayberedundant,andothersmaybeirrelevantandnoisy.TheconventionalsupervisedFSmethodsevaluatevariousfeaturesubsetsusinganevaluationfunctionormetrictoselectonlythosefeatureswhicharerelatedtothedecisionclassesofthedataunderconsideration.However,formanydataminingapplications,decisionclasslabelsareoftenunknownorincomplete,thusindicatingthesignificanceofunsupervisedfeatureselection.However,inunsupervisedlearning,decisionclasslabelsarenotprovided.Inthispaper,weproposeanewunsupervisedquickreduct(QR)algorithmusingroughsettheory.ThequalityofthereduceddataismeasuredbytheclassificationperformanceanditisevaluatedusingWEKAclassifiertool.Themethodiscomparedwithexistingsupervisedmethodsandtheresultdemonstratestheefficiencyoftheproposedalgorithm.
简介:Particleswarmoptimization(PSO)isanewheuristicalgorithmwhichhasbeenappliedtomanyoptimizationproblemssuccessfully.Attributereductionisakeystudyingpointoftheroughsettheory,andithasbeenproventhatcomputingminimalreductionofdecisiontablesisanon-derterministicpolynomial(NP)-hardproblem.AnewcooperativeextendedattributereductionalgorithmnamedCo-PSARbasedonimprovedPSOisproposed,inwhichthecooperativeevolutionarystrategywithsuitablefitnessfunctionsisinvolvedtolearnagoodhypothesisforacceleratingtheoptimizationofsearchingminimalattributereduction.ExperimentsonBenchmarkfunctionsandUniversityofCalifornia,Irvine(UCI)datasets,comparedwithotheralgorithms,verifythesuperiorityoftheCo-PSARalgorithmintermsoftheconvergencespeed,efficiencyandaccuracyfortheattributereduction.
简介:1997年,Becker和Mulligan提出了一个名为耐心信息的理论。该理论认为有一种理性因素在现实中能有效改变一个人的时间偏好,一个理性的人可能会对自己的耐性产生不满意,为了克服这种感觉,他可能会试图去缩减消费,或消耗某些能增加其耐性的资源。1998年末到1999年初的整个冬天,一场围绕这个理论的大争论进行得如火如茶,一批著名学者都先后加入到这场争论中来。但是好多争议并没有就此停住。本文的作者是挪威奥斯陆大学、科学与文字学学院的Ole—jergenskog教授,他试图从概念上将耐心信息理论以及一系列相关理论加以厘清,在分别作了梳理阐释之后,提出了自己的关于耐心信息的理论构想。在此,只摘录他的异见部分。