基于粗集理论的数据离散化新算法‘

《基于粗集理论的数据离散化新算法‘》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、2002年3月重庆太学学报(自然科学版)v01．25No．3第25卷第3期】ofCi*ongqingUniversity(NaturalSeienoeEdition)Mar．2002文章编号：1000—582X《2~o2)03—0018—04基于粗集理论的数据离散化新算法‘赵军，王国埔L2，吴中福，李华(1．重庆太学计算机学院，重庆400044；2．重庆邮电学院计算机科学与技术研究所，重庆~065)摘要：连续属性值的离散化一直是机器学习领域中殛待解决的关键问题之一，他对于提高后继学习算法的运行速度、降低算法的实际空间要求和时间消耗、提高学习结果的聚类能力等都具有

2、极其重要的意jL。本文首先分析了基于粗集模型的数据离散化方法的特点和基本思路，研完了候选断点重要性的衡量方式，在此基础上提出两种新的从候选集合中最终确定离散化断点的启发式算法。这两种算法考虑并体现了粗集理论的基本特点和优点，选择的断点都能够保证信息系统的分辨关系，并能够取得较理想的离散化姑果。关键词：粗集；分辨关系；离散化；断点中图分类号：】8文献标识码：A决策系统中连续属性的离散化，即实型属性空间粗集理论的特殊性，直接把其它学科中的相应方法用向整型属性空间的映射问题对数据挖掘而言具有非常来对信息系统进行离散化，其结果往往不能保证原有重要的意义：首先，若决策系统

3、中存在连续属性，那么信息系统的分辨关系；另一类方法则充分考虑了粗集对一个新的待识别样本而言，将很难通过其属性值矢理论的特殊要求，其结果能够保证信息系统的分辨关量与训练数据表进行数据匹配的方式而得到识别，而系。其中，前一类方法的典型代表是粗集工具软件有效的离散化就会显著地提高系统的聚类能力，增强Rosetta提供的离散化方法一；后一类方法的典型代表系统对输入的待识别样本中数据噪音的鲁棒性；其次，是基于布尔逻辑和粗集理论的离散化方法。离散化结果将会减小系统对存储空间的实际需求，加数据的离散化在其它领域也被称为“量化”，它并快后继数据挖掘算法的运行速度，减小后继算法的

4、空不是一类新课题，人们已经对它进行了大量的深入研间开销；此外，若离散化过程将某一连续属性的所有属究，取得了丰硕的研究成果。但是，离散化问题也不是性值均映射到同一结果，则该属性存在与否都不会影各学科可以完全通用的研究课题，实际上它在不同领响系统对样本的分辨能力，因而它可以被删除。从这一域中有自己独特的要求和处理方式。由于粗集理论最角度来说，离散化过程同时也是属性约简的过程。枋的概念就是样本之间的“分辨关系”，因此，基于粗集理论的数据离散化方法要求能够保持信息系统1基于粗集理论的数据离散化所表达的样本分辨关系，否则将会导致信息丢失或者在处理不确定、不精确的含糊信息方

5、面，粗集理引入错误信息，从而影响所得结果的准确性。论“0具有不需要外界信息或先验知识的独特优对连续属性的离散化过程，从本质上来看，就是用点】，人们对这一工具在数据挖掘领域的应用越来越一定的阈值(粗集的离散化理论中称之为“断点”)对重视，对基于粗集模型的离散化方法也进行了相应的属性空间进行划分的过程。为了提高后继阶段的机器研究，并取得了一些有价值的研究成果。这些成果大致学习结果的聚类能力和识别能力，离散化过程要求防可以分为两类：其中一类方法很少甚至是完全不考虑止对属性空间的过分细化。在保证离散化结果性能要·收藕日期：2001．10-16基金项目：国家自然科学基金(

6、69803014)、攀登特另忮持费、重庆市科委攻关基金资助作者简介：赵军(1卯1一)，男，重庆人，重庆大学博士研究生。主要研究领域为智能数据分析和处理、计算机网络与通信、现代远程教育技术等。·萨卸时旭CroupRossetaTeehnlealRegerence吼I丑I，1999第25卷第3期赵军等：基于粗集理论的数据离散化新算法19求的前提下，用尽可能少的断点将属性空间划分成尽此衡量标准的合理性将会直接影响到算法的性能。可能少的子空间，就成了离散化算法的追求目标。文献表l中断点的重要性可以从两个方面来衡量：从[5]认为：在保证信息系统分辨关系的前提下，采用基列方

7、向来看，某列值为l的元素个数越多，则对应的断数最小的断点集合对系统进行的离散化就是基于粗集点对样本的分辨能力越强，断点的重要性越高；从行方理论的最优离散化。从这一定义不难发现，对一个给定向来看，某行值为1的元素个数越少，则表明能够分辨的信息系统，存在一种或多种最优的离散化结果。但遗对应样本的断点越少，相应地这些断点的重要程度越憾的是，人们已经证明连续属性的最优离散化问题是高。启发式算法在选择断点时，主要依据断点的这些特一个NP难题，因此对具有丰富样本的信息系统而性。显然，列方向和行方向特征对断点重要性的反映方言，求得最优离散化结果的时间开销将是令人无法忍式是不同

8、的，前者能够直接反映断点