模糊粗糙集的LIFT数据分析

• 作者: 徐苏平 李洪梅 杨习贝 梁绍宸 窦慧莉
• 来源期刊: 小型微型计算机系统
• 学科: 工学
• 关键词: 类属属性 多标记学习 模糊粗糙集 特征选择
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 人工智能与算法研究
• 页码范围: 1052-1057
• 页数: 6页
• 分类号: TP18
• 字数: 6643字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1220.2018.05.033

摘要

在多标记学习中,因为不同的标记拥有与其自身紧密相关的特性,所以可以利用LIFT策略来处理多标记问题,其过程包含两个步骤:首先根据不同标记构建类属属性,然后在类属属性空间上进行分类.然而由于利用LIFT所构建的类属属性维度较高,会致使分类模型训练变慢或泛化能力不足.为解决这一问题,借助传统与稳健的模糊粗糙集模型,提出了对类属属性空间进行特征选择,并在此基础上利用模糊粗糙分类器进行多标记预测的模糊粗糙LIFT方法.实验结果表明,新算法不仅可以有效地降低类属属性空间维度,而且在压缩后的类属属性空间中,分类性能将有所提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	窦慧莉	江苏科技大学计算机学院	21	64	4.0	7.0
2	杨习贝	江苏科技大学计算机学院	86	555	13.0	20.0
6	李洪梅	江苏科技大学计算机学院	9	14	2.0	3.0
7	徐苏平	江苏科技大学计算机学院	11	49	3.0	6.0
8	梁绍宸	江苏科技大学计算机学院	1	2	1.0	1.0