南京邮电大学学报(自然科学版)

作者：骆公志,张尚蕾

单位：南京邮电大学 管理学院，江苏 南京 210003南京邮电大学 管理学院，江苏 南京 210003

关键词：邻域粗糙集；属性重要度；正区域；投票策略；特征提取

基金：国家自然科学基金（72171124）、江苏高校哲学社会科学研究重大项目（2021SJZDA129）和江苏省研究生科研创新计划(KYCX22 0884)资助项目

高维数据集中的不相关或冗余信息导致特征提取计算复杂度较高的问题，已成为研究者关注的热点。邻域粗糙集模型具有通过删除大规模数据中的冗余信息来提高计算效率方面的优势，为进一步提升现有邻域粗糙集模型在处理连续型高维数据库的特征提取过程中的计算效率，提出一种基于正区域和投票式属性重要度的特征提取算法。该算法首先依据属性约简前后正区域不变的性质，以及属性约简与正区域内决策划分类的类内归并和类间区分之间的本质联系，改进了投票式属性重要度计算办法；然后从域间区分、类间区分以及类内区分三个方面，融入属性粒度阈值来评估条件属性重要度，以此减少不同分布密度的条件属性给投票结果带来的距离影响；最后，通过一次性投票的方式给出所有的条件属性重要度，将条件属性重要度计算从k维降至1维，以此降低计算的复杂度。实验分析验证了新提出的算法对于提高属性重要度计算效率效果显著，在实验的7个UCI测试数据集上的分类精度以及运行时间等方面表现良好。

来源：2024年第01期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2024年第01期