期刊文章详细信息
基于加权熵的重要性不对等样本学习的知识约简
Weighed Entropy Based Knowledge Reduction in Learning from the Significance-imbalanced Instances
文献类型:期刊文章
机构地区:[1]哈尔滨工业大学先进动力控制与可靠性研究所,黑龙江哈尔滨150001
基 金:国家自然科学基金资助项目(50306003);哈尔滨工业大学基金资助项目(HIT2003.35)
年 份:2006
卷 号:24
期 号:4
起止页码:38-41
语 种:中文
收录情况:AJ、BDHX、BDHX2004、CAB、CAS、CSA、CSA-PROQEUST、IC、PROQUEST、RCCSE、WOS、ZGKJHX、ZMATH、ZR、核心刊
摘 要:由于学习样本的分布特性和所反映的主观特性的不同,每一个样本相对于学习算法的重要性程度往往是不对等的,为了能够在知识约简过程中考虑到学习样本的不对等性,提出了基于加权熵的知识约简方法。针对各类别样本分布不均匀的样本重要性不对等情况,为了加强小类样本所蕴含的知识在知识约简中的体现,提出一种逆类概率加权的不对等样本加权方法,实验表明该方法能够明显提高小类样本的分类正确率,也验证了基于加权熵的知识约简方法能够将样本的不对等性体现在知识约简结果中。
关 键 词:粗糙集 知识约简 加权熵 不对等样本
分 类 号:TP18]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...