基于代價敏感的分類研究.pdf

1、代價敏感學習是一種新的分類學習，其目標是以獲得最小測試代價和誤分類代價來建立分類器。本文主要對測試代價敏感學習進行研究。測試代價敏感屬性約簡的目標是獲得最小測試代價的約簡。測試代價有限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。對于測試代價有限的分類問題，其目標是在測試代價有限的條件下，選擇更多的重要屬性來保證分類的準確率。而最小測試代價約簡只保留了簡潔的系統(tǒng)信息，導致分類的準確率有所降低。針對測試代價有限的分類問題，

2、本文主要研究以下幾個方面。
　　首先，最小測試代價約簡研究，從而得出最小的測試代價。本文提出了一種基于遺傳算法的測試代價屬性約簡算法來求解最小測試代價約簡。實驗結果表明，該算法在中小數(shù)據(jù)集上可以有效地找到最小測試代價約簡。
　　其次，帶有測試代價約束的最優(yōu)子約簡問題研究。測試代價約束是指所能花費的最大測試代價小于最小測試代價。這意味著，在測試代價約束的條件下，只能求解能夠最大程度保留系統(tǒng)信息的子約簡。本文針對帶有公共測試代價

3、敏感決策系統(tǒng)的最優(yōu)子約簡問題設計了一個啟發(fā)式算法，實驗結果總體上令人滿意。
　　第三，分類研究。分類準確率是分類技術的重要評價指標之一。本文主要對決策樹（ID3）進行改進研究，提出兩種不同的改進決策樹。實驗結果表明，這兩種改進的決策樹的分類準確率總體上都比ID3高。
　　最后，基于測試代價有限的分類問題研究。測試代價有限的屬性選擇至關重要，不同屬性的組合，構建的分類器質(zhì)量不盡相同。本文提出了兩種不同的測試代價有限的屬性集選擇