基于粗糙集理論的混合數(shù)據(jù)挖掘方法研究.pdf

1、在許多實(shí)際應(yīng)用領(lǐng)域，需要處理的數(shù)據(jù)大部分是混合類型的。最常見的混合類型的數(shù)據(jù)是混合了數(shù)值型屬性和符號型屬性的數(shù)據(jù)。如何針對混合屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘已經(jīng)成為一個極富挑戰(zhàn)性的問題。
　　本文主要基于粗糙集理論對混合數(shù)據(jù)挖掘方法展開研究。研究內(nèi)容包括不完備信息系統(tǒng)中對象的相似性刻畫方法、混合數(shù)據(jù)的特征選擇與樣本選擇、混合數(shù)據(jù)的不平衡分類方法與異常值檢測方法。主要取得了以下四個方面的研究成果:
　　第一部分，基于已有的不完備信息系統(tǒng)

2、粗糙集擴(kuò)展模型，進(jìn)一步研究了不完備信息系統(tǒng)中對象之間的相似關(guān)系刻畫方法，提出了鄰域-容差粗糙集模型、變精度容差粗糙集模型和變精度鄰域-容差粗糙集模型并討論了相關(guān)性質(zhì)。其中，鄰域-容差粗糙集模型和變精度鄰域-容差粗糙集模型可以處理混合數(shù)據(jù)。另外，給出了鄰域-容差關(guān)系下信息熵及條件熵的概念。并利用鄰域-容差條件熵構(gòu)建了一種特征選擇算法。
　　第二部分，研究了樣本選擇方法及基于樣本的分類方法。首先提出了一種文本選擇方法。這個方法用變精度

3、容差關(guān)系來度量文本的相似度，并用變精度容差類作為文本聚類。通過只遍歷一次文本集得到所有的文本聚類，而且這些文本聚類用聚類中心來表示。這樣大大減少了文本的數(shù)量，可以進(jìn)一步地指導(dǎo)文本分類。其次，基于鄰域粗糙集，提出了混合數(shù)據(jù)的樣本選擇算法。在這個方法中，鄰域決策類中的樣本代表內(nèi)部樣本而被全部刪除。通過鄰域條件概率將決策邊界域中的樣本繼續(xù)劃分成噪聲、靠近分類邊界的樣本和遠(yuǎn)離分類邊界的樣本。最后僅將靠近分類的邊界樣本放入選擇樣本集中。最后，提出

4、了原型加權(quán)分類方法。這個方法先通過自產(chǎn)生原型算法把整個樣本集劃分成若干的樣本子集，并用這些子集的均值作為原型點(diǎn)，再根據(jù)樣本子集的大小給這些原型點(diǎn)賦予權(quán)重。然后根據(jù)原型點(diǎn)距離公式計(jì)算測試樣本與每一類原型的距離，最后把測試樣本歸入距離最近的樣本類中。
　　第三部分，研究了不平衡分類問題。為了緩解SVM的分類超平面在不平衡分類中的偏置，提出了基于鄰域粗糙集的合成少數(shù)類樣本的過采樣算法(NRS-SMOTE)。這個方法主要的特點(diǎn)有:1）使用

5、欠采樣技術(shù)清理噪聲;2）不是合成全部的少數(shù)類樣本而是只合成在分類邊界的少數(shù)類樣本，其中分類邊界樣本用鄰域粗糙集中的決策邊界域表示，決策邊界域的大小由鄰域閾值控制;3）用少數(shù)類邊界樣本的鄰域信息粒中的類分布來決定每個少數(shù)類樣本需要生成多少個合成樣本。4) NRS-SMOTE算法中用到鄰域信息粒，這樣可以處理數(shù)值型和符號型的混合數(shù)據(jù)。
　　第四部分，研究了混合數(shù)據(jù)的異常值檢測問題。基于鄰域信息粒的概念，提出了混合數(shù)據(jù)的異常檢測方法。在