基于模糊粗糙集的壓縮近鄰規(guī)則比較研究.pdf

1、近鄰規(guī)則是模式識別、機器學(xué)習(xí)、數(shù)據(jù)挖掘中廣泛使用的一種基于樣本實例的分類方法，該算法通過從訓(xùn)練集中尋找與待分類樣本最近的樣本來確定其類別。然而近鄰規(guī)則的一個最大的缺點是在計算未見樣本的所屬類別時，需要計算該未見樣本與訓(xùn)練集中所有樣本的距離，算法的時間復(fù)雜度和空間復(fù)雜度都很高。另一方面，在判斷未見樣本的所屬類別時，訓(xùn)練集里的所有樣本都被看成是同等重要的。那么，如果訓(xùn)練集中的樣本存在不一致性，近鄰規(guī)則的性能會大大降低。針對以上兩個問題，降低

2、訓(xùn)練集的規(guī)模成為近鄰規(guī)則的研究熱點。
　　模糊粗糙集是將粗糙集和模糊集結(jié)合起來處理不精確和不確定信息的數(shù)學(xué)理論。目前關(guān)于模糊粗糙集的研究主要集中在模糊粗糙集的定義及其約簡上。從模糊粗糙集的定義中可以得出樣本隸屬于上近似集合、下近似集合以及邊界域集合的程度，而這些隸屬度表明了樣本的重要程度。本文提出了兩種基于模糊粗糙集的模糊壓縮近鄰規(guī)則（CF K-NN1和CF K-NN2）和一種改進模糊近鄰規(guī)則，并對不同的壓縮近鄰規(guī)則進行了比較研究

3、。這兩種壓縮規(guī)則包含三個步驟：
　?。?）利用模糊粗糙集技術(shù)求得一個模糊屬性約簡；
　?。?）分別從模糊粗糙集正域（邊界域）中選取樣本子集；
　?。?）從樣本子集中抽取模糊分類規(guī)則。
　　在若干數(shù)據(jù)集上得到的實驗結(jié)果以及對實驗結(jié)果的統(tǒng)計分析證實了兩種方法是可行的、有效的，并且優(yōu)于之前學(xué)者提出的壓縮近鄰規(guī)則，比如CNN，RNN，ICF等。比較研究得出了以下結(jié)論：算法CFK-NN1選擇的樣本個數(shù)比算法CF K-NN2