基于模糊粗糙集的数据分析模型与算法研究

发布时间：2024-05-22 22:35

　　今天的我们正处于信息化时代,信息化时代是当今时代发展的大趋势,随之发展的网路信息技术,正以前所未有的发展速度伴随这我们生活的日常,大数据问题的实际应用问题亟待解决。对于大数据的处理已经成为数据挖掘方面的焦点问题。模糊粗糙集是一个用于特征选择的重要的粗糙集模型。经典模糊粗糙集使用模糊依赖函数作为特征选择的准则。然而,这个准则函数只能保持样本到决策类的最大隶属度,不能保证分类误差最小。在本文中,我们引入了新的特征选择标准来克服这个弱点。为了表征分类错误率,首先引入一类模糊二元关系来构造决策的模糊下近似和上近似。然后,引入新的依赖关系概念:错分率和内积依赖度来描述分类错误。基于此,提出了新的特征选择标准来度量候选属性的重要性。提出的准则在保持最大依赖函数的同时还能保证最小分类误差。本文中所提出的属性约简算法理论推论和实验结果都可以证明,该特征选择算法明显优于其他的经典算法,特别是对于不同类别表现出很大程度重叠的数据集,降低了特征选择的复杂度的同时提高了样本的分类精度,具有一定的现实意义。

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 引言
    1.2 本论文的选题意义
    1.3 本文研究内容和组织结构
2 基础知识
    2.1 经典粗糙集的基本概念
    2.2 模糊粗糙集的基本概念
3 模糊粗糙决策依赖度和错分率
    3.1 模糊粗糙决策依赖度
    3.2 模糊粗糙决策的错分率
    3.3 算法设计
    3.4 实验结果与分析
    3.5 本章小结
4 模糊粗糙决策内积依赖度
    4.1 模糊决策内积依赖度
    4.2 算法设计
    4.3 实验结果与分析
    4.4 本章小结
总结与展望
参考文献
发表论文情况
致谢



本文编号：3980627