کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946514 1439290 2016 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Feature subset selection based on fuzzy neighborhood rough sets
ترجمه فارسی عنوان
مجموعه زیر مجموعه های ویژگی بر اساس مجموعه های فازی ناحیه خشن
کلمات کلیدی
محله فازی، تصمیم فازی انتخاب ویژگی، مدل مجموعه خشن،
ترجمه چکیده
تئوری مجموعه خشن بسیار مورد توجه در یادگیری ماشین و تشخیص الگو است. این یک ابزار نظری مهم دیگر برای انتخاب ویژگی است. در این مقاله، ما یک مدل مجموعه ای جدید را برای انتخاب زیر مجموعه ویژگی ساختیم. اولا، با استفاده از مفهوم محدوده فازی، تصمیم گیری فازی یک نمونه را تعریف می کنیم. رابطه پارامتری فازی برای توصیف گرانول اطلاعات فازی برای تحلیل داده های واقعی ارائه شده است. سپس، ما از رابطه محدوده فازی و تصمیم فازی برای ساختن یک مدل مجموعه خشن جدید استفاده می کنیم: مدل مجموعه خشن فازی. بر اساس این مدل، تعاریف تقریب بالا و پایین، منطقه مرزی و منطقه مثبت داده می شود و اثرات پارامترها بر این مفاهیم مورد بحث قرار می گیرد. برای ایجاد مدل جدید تحمل صداهای در داده ها، ما یک مدل مجموعه ای مختصر از محدوده فازی متغیر دقت را معرفی می کنیم. این مدل می تواند احتمال این که یک نمونه به یک طبقه اشتباه طبقه بندی شود، کاهش می یابد. در نهایت، وابستگی بین تصمیم گیری فازی و خصوصیات شرطی را تعریف می کنیم و وابستگی را برای ارزیابی اهمیت یک ویژگی کاندید استفاده می کنیم که با استفاده از آن الگوریتم انتخاب زیر مجموعه های حریم خصوصی طراحی شده است. الگوریتم پیشنهادی با برخی از الگوریتم های کلاسیک مقایسه شده است. آزمایشات نشان می دهد که الگوریتم پیشنهادی دارای عملکرد طبقه بندی بالاتر و تعداد ویژگی های انتخاب شده نسبتا کوچک است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Rough set theory has been extensively discussed in machine learning and pattern recognition. It provides us another important theoretical tool for feature selection. In this paper, we construct a novel rough set model for feature subset selection. First, we define the fuzzy decision of a sample by using the concept of fuzzy neighborhood. A parameterized fuzzy relation is introduced to characterize fuzzy information granules for analysis of real-valued data. Then, we use the relationship between fuzzy neighborhood and fuzzy decision to construct a new rough set model: fuzzy neighborhood rough set model. Based on this model, the definitions of upper and lower approximation, boundary region and positive region are given, and the effects of parameters on these concepts are discussed. To make the new model tolerate noises in data, we introduce a variable-precision fuzzy neighborhood rough set model. This model can decrease the possibility that a sample is classified into a wrong category. Finally, we define the dependency between fuzzy decision and condition attributes and employ the dependency to evaluate the significance of a candidate feature, using which a greedy feature subset selection algorithm is designed. The proposed algorithm is compared with some classical algorithms. The experiments show that the proposed algorithm gets higher classification performance and the numbers of selected features are relatively small.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 111, 1 November 2016, Pages 173-179
نویسندگان
, , , , ,