一种基于分形维的快速属性选择算法

被引：16

作者：

鲍玉斌

王琢

孙焕良

于戈

机构：

[1] 东北大学信息科学与工程学院

[2] 东北大学信息科学与工程学院辽宁沈阳

[3] 辽宁沈阳

来源：

东北大学学报 | 2003年 / 06期

关键词：

属性选择; 分形; 分形维; 数据挖掘; 计盒维数; 分形树; 合并;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

属性选择是数据挖掘、文档分类和多媒体索引等领域研究的一个热点问题·利用分形维进行属性选择是一种新的方法,它利用数据集的分形维作为属性的重要性度量·基于分形维的快速属性选择算法(IFAS),利用后向属性选择策略和降维操作的投影特性,根据E维的分形树导出E 1维的分形树(用来计算分形维的数据结构)·因此,只需扫描一次数据集,避免了FDR算法多次扫描数据集的问题·通过图像特征数据集合和合成的分形数据集对两种算法进行性能测试·实验结果显示,IFAS算法明显优于FDR算法·IFAS算法的时间和空间复杂度都为O(n),响应时间与属性维数呈线性关系·

引用

页码：527 / 530

页数：4

共 9 条

[1]

Scalablefeatureselectionusingroughsettheory. BoussoufM,QuafafouM. Procof2ndIntConfonRoughSetsandCurrentTrendsinComputing . 2000

[2]

Featureselectionforclassificationusinggeneticalgorithmswithanovelencoding. PernkopfF,O LearyP. ProcofComputerAnalysisofImagesandPatterns . 2001

[3]

Classificationandfeatureselectionbyaself organizingneuralnetwork. RobertA,StockerE. ProcofIntConfonArtificialandNeuralNetworks . 1999

[4]

ImprovingRBFnetworksbythefeatureselectionapproachEUBAFES. ScherfM,BrauerW. Proc7thIntConfonArtificialNeuralNetworks . 1997

[5]

Featureselectionasapreprocessingstepforhierarchicalclustering. TalaveraL. Procofthe16thIntConfonMachineLearning . 1999

[6]

Founew.normiert.gzlmagefractaldataset. BerchtoldS. http:∥www.stb ag.com/-berchtol/papers/founew.normiert.gz . 2002

[7]

Uniformity and independence:analysis of R-trees using the concept of fractal dimension. Faloutsos C,Kamel I. ACM SIGMOD Record . 1994

[8]

Deflating the dimensionality curse using multiple fractal dimensions. Pagel B,Korn F,Faloutsos C. Proc of 16 th Int Conf on Data Engineering[C] . 2000

[9]

Fastfeatureselectionusingfractaldimension. TrainaC,TrainaA,WuL,etal. ProcofXVBrazilianSymposiumonDatabases . 2000

← 1 →