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)集和測試數(shù)據(jù)集中的每一個數(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)的分類問題時會由于自身固有的局限性，直接導(dǎo)致分類精度的下降。<

2、br>　　 因為不確定數(shù)據(jù)每一屬性值都不是一個唯一確定的值，而是一個以[A，B]的形式表示符合一定分布的取值區(qū)間，因此每一個不確定性數(shù)據(jù)樣本，在高維空間不再是單個確定的點，而是高維空間上的一團(tuán)點。針對處理這樣的不確定性數(shù)據(jù)分類問題，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算法分別通過期望點和采樣點把原不確定性數(shù)據(jù)分類轉(zhuǎn)化為傳統(tǒng)確

3、定數(shù)據(jù)分類問題；EUS算法是通過采樣的方法，引入組合分類器的思想，對不確定數(shù)據(jù)對象按其密度分布函數(shù)進(jìn)行采樣，通過采集不同的訓(xùn)練集來構(gòu)造不同的子分類器，從而組成組合分類器來解決不確定數(shù)據(jù)的分類問題。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，減少對置信度高的樣本采樣，增加對置信度低的樣本采樣，更加關(guān)注那些容易被錯分的不確定數(shù)據(jù)對象，構(gòu)造組合分類器來解決不確定數(shù)據(jù)的分類問題。最后，本文通過