基于类-属性关联度的启发式离散化技术

被引：3

作者：

周世昊 ^{[1
,2
]}

倪衍森 ^{[1
]}

机构：

[1] 不详

[2] 淡江大学管理科学所

[3] 不详

[4] 醒吾技术学院

[5] 不详

来源：

控制与决策 | 2011年 / 10期

关键词：

离散化; 数据挖掘; 自顶向下; 变精度粗糙集; 不一致;

D O I：

10.13195/j.cd.2011.10.67.zhoushh.027

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

连续属性离散化在数据挖掘、机器学习和人工智能等领域起着重要的作用.鉴于此,提出一种基于类-属性关联度的启发式离散化技术.该技术定义了一个新的离散化标准,根据数据本身的特性选择最佳断点,克服了目前最先进自顶向下离散化方法存在的缺陷.基于粗糙集理论中变精度粗糙集模型,提出一种新的不一致衡量标准,能够有效地控制离散化所产生的信息丢失,允许数据存在适当的分类错误度.实验结果和统计性分析表明,所提出的技术显著地提高了J4.8决策树和SVM分类器的学习精度.

引用

页码：1504 / 1510

页数：7