论文研究自适应的邻域粗糙集邻域大小取值方法.pdf

邻域粗糙集应用的好坏依赖于邻域大小δ的取值。在使用基于邻域粗糙集的属性约简算法时，现有的δ取值方法一般是点值式的，即仅凭借人的经验指定某个值，这种方法在对δ取值时没有结合实际问题的具体情况，因此在算法的实用性上可以作进一步讨论。为此，提出一种自适应δ取值方法，其最大特点是不指定δ取值，而是指定δ取值的区间，然后在该取值区间上，通过使用一种结合了数据集和分类器自身特性的适应值函数自动地选出最合适的δ取值。实验结果表明，相比点值式δ取值方法，通过自适应δ取值方法能找到属性个数更少，而分类精度更高的属性集。实验证明该方法能进一步提高基于邻域粗糙集的属性约简算法的实用性。