کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4946174 | 1439281 | 2017 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Measures of uncertainty for neighborhood rough sets
ترجمه فارسی عنوان
اقدامات نامطمئن برای مجموعه های خشن محله
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مجموعه های خشن، مجموعه های خشن همجوار، معیارهای عدم قطعیت، آنتروپی محله مقدار اطلاعات،
ترجمه چکیده
معیارهای عدم قطعیت ابزار انتقادی ارزیابی در زمینه های یادگیری ماشین است که می تواند وابستگی و شباهت بین دو زیر مجموعه ویژگی را اندازه گیری کند و می تواند مورد استفاده قرار گیرد تا به اهمیت ویژگی های الگوریتم های طبقه بندی و خوشه بندی بپردازد. در مجموعه های خشن کلاسیک، ابزارهای عدم قطعیت برای اندازه گیری یک زیر مجموعه ویژگی، از جمله دقت، زبری، آنتروپی اطلاعات، آنتروپی خشن و غیره، وجود دارد. این اقدامات برای سیستم های اطلاعاتی ارزشمند استفاده می شود، اما مناسب برای مجموعه داده های ارزشمند است . در این مقاله، با معرفی مدل مجموعه خشن محله، هر شی با یک زیر مجموعه محله، نام گرانشی محله ارتباط دارد. چندین معیار عدم اطمینان گرانول های همجوار پیشنهاد شده است که دقت محله، مقدار اطلاعات، انتروپی محله و جزئیات دانه در سیستم های محله است. علاوه بر این، ما ثابت می کنیم که این معیارهای عدم قطعیت، رضایت غیر منفی، انحراف و تک تنه را برآورده می کند. حداکثر و حداقل این اقدامات نیز داده می شود. تجزیه و تحلیل تئوری و نتایج تجربی نشان می دهد که اندازه اطلاعات، آنتروپی محله و اندازه گیری دقیق اطلاعات بهتر از اندازه گیری دقیق محله در سیستم های محله است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Uncertainty measures are critical evaluating tools in machine learning fields, which can measure the dependence and similarity between two feature subsets and can be used to judge the significance of features in classifying and clustering algorithms. In the classical rough sets, there are some uncertainty tools to measure a feature subset, including accuracy, roughness, information entropy, rough entropy, etc. These measures are applicable to discrete-valued information systems, but not suitable to real-valued data sets. In this paper, by introducing the neighborhood rough set model, each object is associated with a neighborhood subset, named a neighborhood granule. Several uncertainty measures of neighborhood granules are proposed, which are neighborhood accuracy, information quantity, neighborhood entropy and information granularity in the neighborhood systems. Furthermore, we prove that these uncertainty measures satisfy non-negativity, invariance and monotonicity. The maximum and minimum of these measures are also given. Theoretical analysis and experimental results show that information quantity, neighborhood entropy and information granularity measures are better than the neighborhood accuracy measure in the neighborhood systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 120, 15 March 2017, Pages 226-235
Journal: Knowledge-Based Systems - Volume 120, 15 March 2017, Pages 226-235
نویسندگان
Yumin Chen, Yu Xue, Ying Ma, Feifei Xu,