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

• 作者: 丁卫平 施佺 朱浩 王建东 管致锦
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 粗糙度 近似概念格 集成学习 分类挖掘
• 年，卷（期）: 2010,（7）
• 页码范围: 174-178,232
• 分类号: TP301.6
• 字数: 7137字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-137X.2010.07.042

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	施佺	南通大学计算机科学与技术学院	89	405	10.0	15.0
2	王建东	南京航空航天大学信息科学与技术学院	158	1573	21.0	31.0
3	朱浩	南通大学计算机科学与技术学院	17	43	4.0	5.0
5	丁卫平	南通大学计算机科学与技术学院	17	90	6.0	8.0
8	管致锦	南通大学计算机科学与技术学院	69	369	10.0	16.0