检索结果-南通市图书馆

检索条件"主题词=部分标记混合数据"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

面向部分标记混合数据的特征选择算法研究

面向部分标记混合数据的特征选择算法研究

引用

作者：闫振超华东交通大学

学位级别：硕士

随着物联网、人工智能等信息技术的发展,数据的数量和维度呈几何式增长,数据的高维性降低了各种机器学习算法的运行效率并且影响分类器的分类性能。特征选择作为数据预处理的有效方法之一,能够从数据中去除不相关和冗余的特征,以降低数... 详细信息

随着物联网、人工智能等信息技术的发展,数据的数量和维度呈几何式增长,数据的高维性降低了各种机器学习算法的运行效率并且影响分类器的分类性能。特征选择作为数据预处理的有效方法之一,能够从数据中去除不相关和冗余的特征,以降低数据维度,提高数据的紧密度以及后续机器学习算法的性能。粗糙集理论作为粒计算的一种重要理论,已成为特征选择、知识发现和数据挖掘等领域的热点研究工作。现实应用中,数据的形式复杂多样。大部分数据都是由符号型、数值型和缺失型特征构成的混合数据。同时,由于获取全部数据的决策标记通常是昂贵的,仅有一小部分对象被添加决策标记,因此产生了部分标记混合数据。然而,当面对大量决策标记缺失和动态变化的部分标记混合数据,现有基于粗糙集理论的特征选择算法通常需要进行大量重复计算,耗费较多的运行时间,决策标记的缺失甚至会影响特征子集分类精度。为了解决这些问题,本文以粗糙集理论为基础,针对部分标记混合数据开展增量式特征选择和决策填补等方面的研究。本文主要研究工作如下:(1)针对部分标记混合数据中对象集的动态变化,通过分析局部数据邻域粒度的变化情况,提出了信息粒度的增量更新机制。在此基础上,依次设计部分标记混合数据中单个对象动态变化和一组对象动态变化时的增量式特征选择算法。一系列真实数据集上的对比实验,验证了所提算法的有效性和高效性,且组增量特征选择算法更加高效。(2)针对部分标记混合数据中特征集的动态增加和删减,通过分析数据集中邻域粒度的变化情况,结合增量学习思想,建立信息粒度的增量更新机制。在此基础上,依次设计部分标记混合数据中特征集增加、删除时的增量式特征选择算法。通过理论分析和真实数据集上的对比实验,验证了所提算法的有效性和高效性。(3)由于决策标记蕴含丰富的信息,大量的未标记对象可能会降低特征选择结果的分类精度。因此,提出了一种基于扩展邻域粒度的决策填补算法,利用标记对象对未标记对象的部分决策进行标注,从而提高所选特征子集的分类精度。同时,针对部分标记混合数据,设计了扩展的信息增益的特征度量,在此基础上,提出了一种基于信息增益的半监督特征选择算法。在部分标记混合数据上的实验结果表明了所提算法的有效性。(4)针对有序数据集中单一特征度量在现有的特征选择算法中面临的不足,提出一种基于优势粗糙集理论的多准则特征度量。从代数论与信息论角度出发,同时分析数据的确定性信息与可辨别信息,并设计基于贪心向前搜索的特征选择算法。理论分析与相关的实验结果验证了算法的有效性和高效性。

关键词：部分标记混合数据特征选择粒计算粗糙集增量学习多准则度量

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向混合数据的半监督特征选择模型与算法研究

面向混合数据的半监督特征选择模型与算法研究

引用

作者：余建会华东交通大学

学位级别：硕士

随着互联网技术的高速发展,实际应用中存在海量、高维和及其复杂的数据。这个就会造成数据“维度灾难”问题的出现,影响后续机器学习算法的性能。特征选择是数据挖掘中一种有效的数据预处理技术,目的是删除高维数据集中的冗余和不相关特... 详细信息

随着互联网技术的高速发展,实际应用中存在海量、高维和及其复杂的数据。这个就会造成数据“维度灾难”问题的出现,影响后续机器学习算法的性能。特征选择是数据挖掘中一种有效的数据预处理技术,目的是删除高维数据集中的冗余和不相关特征,保留数据中重要的特征,以降低数据集的维度,提高数据的紧密性和分类性能。粗糙集理论作为粒计算的一种重要数学工具,已成为计算机智能、数据挖掘和模式识别等领域的重点研究内容。在现实世界的应用中,数据通常是混合的,包括数值型数据、缺失型数据和符号型数据。同时,由于数据决策需要花费大量的人工成本。对其进行类别标记是昂贵且不可行的,因此,针对部分标记混合数据进行特征降维受到了当前学者的广泛关注。然而,现有基于粗糙集理论的特征选择算法在选择候选特征过程中,需要耗费大量的计算时间,而且决策标记的缺失也影响着特征选择结果的分类性能。为了解决上述特征选择过程中的问题,本文基于粗糙集理论,进行了对部分标记混合数据中的半监督特征选择和提高特征选择的过程中的时间效率方面研究。本文主要研究工作如下:(1)针对部分标记混合数据,为了充分利用全部未标记数据信息来提高分类性能,结合了K近邻和标记传播算法有效地对未标记数据进行类别标记,从而提出了一种改进的基于K近邻的标记传播算法。在此基础上,为了从部分标记的混合数据中选择重要的特征子集以提高分类性能,提出了一种基于依赖度、信息熵和信息粒度的特征多准则度量来综合选择候选特征。进而提出了基于多准则度量的启发式特征选择算法,以此获取部分标记混合数据的特征子集。通过真实数据集的实验对比结果表明,所提出的算法对比其它特征选择的算法在分类精度上有一定的提高。(2)针对部分标记混合数据,为了加速特征选择的过程,提出了一种基于加速邻域区分度的半监督特征选择算法。首先,生成基于纯度的粒度球集合,将数据集划分为更小部分的数据集。然后,提出邻域区分度来评估标记和未标记对象中候选特征的重要性。最后,设计了一种基于投票机制的集成特征选择算法,该算法能有效和公平地选出特征子集。通过真实数据集上的实验对比结果表明,本文所提出的特征选择算法在特征子集,分类精度和计算时间方面都优于其它特征选择算法。

关键词：部分标记混合数据粗糙集特征选择集成选择器粒度球

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：