کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6861413 | 1439250 | 2018 | 15 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Attribute reduction based on max-decision neighborhood rough set model
ترجمه فارسی عنوان
تخفیف مشخصه بر اساس مدل مجموعه خشن بر مبنای حداکثر تصمیم گیری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
کاهش مشخصه، رابطه محله مجموعه خشن، الگوریتم هورستیک،
ترجمه چکیده
مدل محصور محله محله تنها بر نمونه های سازگار تمرکز می کند که محدوده آنها کاملا در برخی از کلاس های تصمیم گیری قرار دارد و نادیده گرفتن تقسیم بندی نمونه های مرزی که محله های آنها در هر کلاس تصمیم گیری نمی تواند باشد. در این مقاله، ما با توجه به نمونه های مرزی، توجه زیادی را به خود جلب می کنیم و با اضافه کردن نمونه هایی که محدوده آنها با تقریبا چند کلاس تصمیم گیری در تقاطع حداکثر می شود، منطقه مثبت را بزرگ می کنیم. با استفاده از این ایده ذکر شده، ما یک مدل مجموعه خشن محله جدید را معرفی می کنیم، به نام مدل تقریبی محدوده تصمیم گیری حداکثر تصمیم می گیریم. یک الگوریتم کاهش ویژگی ها بر اساس مدل طراحی شده است. هر دو تجزیه و تحلیل نظری و نتایج تجربی نشان می دهد که الگوریتم پیشنهادی برای از بین بردن بیشتر ویژگی های بیش از حد بدون از دست دادن دقت طبقه بندی موثر است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
The neighborhood rough set model only focuses on the consistent samples whose neighborhoods are completely contained in some decision classes, and ignores the divisibility of the boundary samples whose neighborhoods can not be contained in any decision classes. In this paper, we pay close attention to the boundary samples, and enlarge the positive region by adding the samples whose neighborhoods have maximal intersection with some decision classes. Applying the mentioned idea, we introduce a new neighborhood rough set model, named max-decision neighborhood rough set model. An attribute reduction algorithm is designed based on the model. Both theoretical analysis and experimental results show that the proposed algorithm is effective for removing most redundant attributes without loss of classification accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 151, 1 July 2018, Pages 16-23
Journal: Knowledge-Based Systems - Volume 151, 1 July 2018, Pages 16-23
نویسندگان
Xiaodong Fan, Weida Zhao, Changzhong Wang, Yang Huang,