基于粗糙度的近似概念格动态分类集成学习模型研究与应用

摘要：

概念格(Galois格)是一种进行数据分类学习的有效工具,然而建格规模庞大使分类效率和准确率受到较大影响.将粗糙度理论应用到概念格分类问题研究中,提出一种新型的近似概念格动态建格和分类挖掘集成学习模型(CACLR).该模型在粗糙度区间根据样本空间分布构建多个相对独立分布且比较精确的近似概念格分类器,能及时消除建格过程中大量与分类知识无关的节点,有效缩减原格规模,融合得到的分类挖掘集成学习模型,具有较好的粗糙分类精度和知识预测学习能力.最后进行CACLR分类集成学习模型在标准UCI数据集中的对比实验,有效验证了该模型的实用价值.

关键词：粗糙度、近似概念格、集成学习、分类挖掘

所属期刊栏目：37

分类号：TP301.6(计算技术、计算机技术)

资助基金：江苏省高校自然科学研究项目09KJD520008;南通市应用研究计划项目K2008031,K2008018;苏州大学江苏省计算机信息处理技术重点实验室开放课题,南通大学自然科学基金项目05Z061;南通大学通信与信息系统学科科技创新基金

在线出版日期：2010-09-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：174-178,232