文献类型：期刊文章

作　　者：王轩[1] 顾峰[1] 闵帆[2,3] 孙远秋[2]

WANG Xuan;GU Feng;MIN Fan;SUN Yuanqiu(Network&Information Center,Southwest Petroleum University,Chengdu 610500,P.R.China;School of Computer Sciences,Southwest Petroleum University,Chengdu 610500,P.R.China;Institute for Artificial Intelligence,Southwest Petroleum University,Chengdu 610500,P.R.China)

机构地区：[1]西南石油大学网络与信息化中心,成都610500 [2]西南石油大学计算机科学学院,成都610500 [3]西南石油大学人工智能研究院,成都610500

出　　处：《重庆邮电大学学报（自然科学版）》

基　　金：国家自然科学基金(62006200);四川省自然科学基金(2019YJ0314);四川省青年科学技术创新团队(2019JDTD0017);西南石油大学课外开放实验立项(2020KSP61001)。

年　　份：2021

卷　　号：33

期　　号：5

起止页码：826-833

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：基于代表的邻域覆盖粗糙集分类算法,在某些数据集上表现良好,数据的类别不平衡问题严重影响算法的分类精度。为尽量消除类别不平衡问题的影响,在k折交叉验证方法的基础上,针对基于代表的邻域覆盖粗糙集分类算法,提出了3种集成策略。策略1依靠k折交叉验证,获得对应的k个基分类器,所有的基分类器组成委员会对未分类样本分类;在策略1的基础上,策略2选择分类精度相对较高的基分类器组成委员会,对未分类的样本进行分类;策略3在前2种策略的基础上,利用主动学习的思想,对训练集进行扩充,得到新的分类器再对未分类样本分类。实验所用数据集为UCI标准数据集,且对k的取值做了对比实验。结果显示,3种策略均有不同程度的提升,且k取5时总能取得较好的提升效果。对于不同数据集,应选择相适应的改进策略。

关 键 词：代表选举 粗糙集 分类  集成学习  主动学习  

分 类 号：TP181]