基于粗糙集的識別策略動態(tài)選擇算法.pdf

1、隨著信息時代的到來，信息量日益增長，人們對信息分析工具的要求越來越高。人們不僅希望我們的分析工具具有能處理海量信息的能力，而且要求它具有較高的準確率。在數(shù)據(jù)挖掘過程中通過對具有類別標記的實例(數(shù)據(jù))進行訓練，得到一個能預測新實例所屬類別的模型，獲得了需要的知識，接下來的工作就是根據(jù)對現(xiàn)實的觀察，利用已獲得的知識進行推理，得到我們所需要的結論。近幾十年來，出現(xiàn)了各種各樣的優(yōu)秀的識別算法，而且都在一定的領域取得了不錯的效果，但由于現(xiàn)實的復雜

2、性與數(shù)據(jù)的多樣性，使得如果單一的用某一種方法進行識別，往往都會由于算法本身的缺陷，或不能得到相對高的識別率，或是分類速度較慢、識別能力不穩(wěn)定等。因此，一些學者提出將多種分類方法進行集成，以提高算法的準確率。而因為粗糙集能對知識進行約簡處理，簡化信息系統(tǒng)結構，因此很多學者將粗糙集與其他分類算法結合進行識別研究，此方法在一定程度上提高了算法的識別率，但這些方法大都只利用了粗糙集的預處理優(yōu)勢，而忽視了粗糙集本身的分類能力。
　　 粗糙

3、集理論是一種能夠定量分析處理不精確、不一致、不完整信息與知識的數(shù)學工具，其不僅能簡化信息表達空間，減小訓練模型復雜性和縮短訓練時間，還可以解決重要的分類問題。本文利用粗糙集的各種的優(yōu)勢，將粗糙集、支持向量機與決策樹三種方法結合起來，通過分析數(shù)據(jù)特征，提出利用樣本對規(guī)則集的覆蓋度和設置一個相關閾值來進行最優(yōu)分類方法的動態(tài)選擇，在第一時間為不同的樣本選擇到相對較優(yōu)的分類算法。
　　 在本文思想基礎上，將算法在一定的環(huán)境進行了實現(xiàn)，實