三種代價環(huán)境下的代價敏感屬性擇.pdf

1、代價敏感學習是數(shù)據(jù)挖掘的研究熱點，預算約束滿足問題是人工智能和機器學習領域著名的問題之一。最近幾年，研究最小測試代價下的屬性選擇問題一直是代價敏感學習中的重點。但在實際應用中，由于任何一樣資源都是有限的，所以解決任何一個實際問題，都是在一定的預算約束下完成的。因此研究預算約束下的代價敏感屬性選擇問題在眾多的應用領域有著重要的意義和廣泛的應用。
　　另外，當前代價敏感算法普遍采用靜態(tài)的靜態(tài)誤分類代價，僅能滿足實驗和前瞻性的需要，不能

2、適應同一類分布樣本數(shù)量變化的數(shù)據(jù)集的分類模型的學習。針對靜態(tài)誤分類代價的不足，如何設計動態(tài)的誤分類代價機制正受到越來越多學者的青睞。本文針對最小測試代價下的屬性選擇問題，預算約束下的屬性選擇問題和動態(tài)誤分類代價下的屬性選擇問題進行了研究，主要取得了如下創(chuàng)新成果。
　　首先，研究了最小代價下的代價敏感屬性選擇問題。這個最小代價只單純考慮了測試代價這一種代價類型。本文提出了一個對數(shù)加權算法來求解最小測試代價下的代價敏感屬性選擇問題。實

3、驗結果表明，在大多數(shù)情況下，新算法的效果優(yōu)于已有的算法。
　　其次，研究了預算約束下的代價敏感屬性選擇問題。預算約束是指所能花費的最大測試代價大于最小測試代價但不大于總測試代價。這意味著，在預算約束的條件下，只能求解能夠最大程度保留系統(tǒng)信息的屬性子集。本文在預算約束的條件下，設計了一個模擬退火算法來求解代價敏感屬性選擇問題。實驗結果表明，我們設計的算法能夠在效果和效率方面獲得良好的實驗結果，實驗結果優(yōu)于已有的啟發(fā)式算法和遺傳算法。