基于組合分類器的數(shù)值型不確定性數(shù)據(jù)分類方法研究.pdf

1、傳統(tǒng)的分類算法主要是針對(duì)處理確定性數(shù)據(jù)分類的情況，確定性數(shù)據(jù)是指訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)樣本的每一屬性值都是唯一確定的。處理確定數(shù)據(jù)分類問(wèn)題的方法很多，如C4.5決策樹、SVM支持向量機(jī)和貝葉斯分類等。但現(xiàn)實(shí)情況中所采集到的數(shù)據(jù)往往是不確定的，不確定性數(shù)據(jù)具體表現(xiàn)為數(shù)據(jù)樣本每一維度的值都是在一定范圍內(nèi)服從某種分布的數(shù)據(jù)的集合。傳統(tǒng)的分類算法在處理這一類的不確定數(shù)據(jù)的分類問(wèn)題時(shí)會(huì)由于自身固有的局限性，直接導(dǎo)致分類精度的下降。<

2、br>　　 因?yàn)椴淮_定數(shù)據(jù)每一屬性值都不是一個(gè)唯一確定的值，而是一個(gè)以[A，B]的形式表示符合一定分布的取值區(qū)間，因此每一個(gè)不確定性數(shù)據(jù)樣本，在高維空間不再是單個(gè)確定的點(diǎn)，而是高維空間上的一團(tuán)點(diǎn)。針對(duì)處理這樣的不確定性數(shù)據(jù)分類問(wèn)題，本文提出了四種算法：分別是基于期望值的AVG算法、基于采樣的USM算法、基于采樣的組合分類器EUS算法和基于權(quán)重采樣的EWS算法。AVG算法和USM算法分別通過(guò)期望點(diǎn)和采樣點(diǎn)把原不確定性數(shù)據(jù)分類轉(zhuǎn)化為傳統(tǒng)確

3、定數(shù)據(jù)分類問(wèn)題；EUS算法是通過(guò)采樣的方法，引入組合分類器的思想，對(duì)不確定數(shù)據(jù)對(duì)象按其密度分布函數(shù)進(jìn)行采樣，通過(guò)采集不同的訓(xùn)練集來(lái)構(gòu)造不同的子分類器，從而組成組合分類器來(lái)解決不確定數(shù)據(jù)的分類問(wèn)題。EWS算法是在基于采樣的組合分類器EUS算法基礎(chǔ)上的改進(jìn)，引入Adaboost思想和置信度概念，減少對(duì)置信度高的樣本采樣，增加對(duì)置信度低的樣本采樣，更加關(guān)注那些容易被錯(cuò)分的不確定數(shù)據(jù)對(duì)象，構(gòu)造組合分類器來(lái)解決不確定數(shù)據(jù)的分類問(wèn)題。最后，本文通過(guò)