论文研究 基于数据矩阵不变性的分类

本文通过计算近似于数据矩阵不变性的特征索引矩阵序列，提出了一种问题分类的解决方案。 此处，特征索引是特征值的间隔索引，间隔数是一个参数。 具有相等索引的对象形成颗粒，包括信息颗粒，这些颗粒对应于某个类别的训练样本的对象。 从信息颗粒长度的比率，我们获得与对照样品的适当对象相同的任何特征的频率间隔。 然后，对于任意对象，我们在每个类别中找到对象概率估计，然后在与最大概率相对应的对象类别中找到对象概率估计。 对于参数值序列，我们找到了一个收敛的错误率序列。 旨在增加数据种类和压缩稀有数据的参数会产生附加效果。 对于来自UCI储存库的九个数据集，已经证实了使用此方法获得的结果的高精度和稳定性。 由于