基于決策粗糙集模型的多類代價敏感學習研究.pdf

1、近年來，隨著計算機和互聯(lián)網(wǎng)技術的發(fā)展與普及，產(chǎn)生的海量數(shù)據(jù)信息除了在規(guī)模上、復雜性上和過去的信息有很大不同之外，還存在著一定的不確定性和模糊性。決策粗糙集模型作為一種處理不精確、不確定性問題的方法，通過引入貝葉斯決策過程，給出了根據(jù)損失函數(shù)矩陣計算決策閾值的系統(tǒng)化方法，進而得到基于粗糙集三個區(qū)域的三支決策框架，很好的解決了用戶在信息不足時如何做出合理決策的問題?，F(xiàn)有的很多工作都是基于經(jīng)典二類決策粗糙集模型展開的，對于多分類問題，大多是將

2、其轉化為多個二分類問題進而用二類決策粗糙集分類方法進行處理，這既要求用戶提供更多的損失函數(shù)，又降低了計算的效率。鑒于此，本文將決策粗糙集與代價敏感學習相結合，提出了一種多類決策粗糙集模型，并以此模型為基礎對代價敏感學習進行了研究，主要包括如下的研究內容:
　　第一，決策粗糙集在分類模型上的擴展。損失函數(shù)矩陣在決策粗糙集中具有重要作用，在二分類問題中，可以很容易的根據(jù)損失函數(shù)矩陣計算出決策閾值。本文從語義角度出發(fā)，以損失函數(shù)為研究對

3、象，將決策粗糙集與代價敏感學習相結合，利用經(jīng)典代價敏感學習提供的多類問題代價矩陣推導出多類情況下的損失函數(shù)值，進而提出多類決策粗糙集模型，并基于此模型設計代價敏感三支決策分類算法，通過對比實驗結果分析說明了所提算法在處理多類代價敏感問題中的有效性。
　　第二，基于多類決策粗糙集模型的多階段代價敏感學習方法。決策粗糙集的分類方法輸出的是三支決策結果，只有劃分到正域的對象才能以高置信度確定其類標，而劃分到邊界域的對象因信息不足而做出延

4、遲決策，劃分到負域中的對象因置信度不高而做出拒絕決策，即這兩個區(qū)域中的對象在三支決策結果中都未給定具體類標。針對此問題，本文提出了基于多類決策粗糙集模型的多階段代價敏感學習方法，通過多個階段的分類過程以最終消除邊界域和負域，將三支決策分類轉化為二支決策分類。實驗結果表明了所提算法具有較好的分類性能。
　　第三，基于多類決策粗糙集模型的文本分類。文本分類是近年來的研究熱點，本文以搜狗中文文本為語料庫，使用基于多類決策粗糙集模型的多階