混合型數(shù)據(jù)的代價敏感學(xué)習(xí)方法.pdf

1、隨著計算機(jī)技術(shù)的廣泛應(yīng)用，人類社會產(chǎn)生數(shù)據(jù)的速度急劇增加，大量有用信息被隱藏在海量數(shù)據(jù)中。數(shù)據(jù)挖掘則是人們提取這些信息，進(jìn)而獲得知識的重要技術(shù)。從大量的現(xiàn)實數(shù)據(jù)中挖掘隱藏在其中有用信息的過程即為數(shù)據(jù)挖掘。事實上，它們已經(jīng)被成功應(yīng)用到科學(xué)研究、工程、銀行和醫(yī)療等各個行業(yè)，并且正在發(fā)揮著越來越重要的作用。
　　粗糙集理論(Rough set theory)作為一種處理不確定信息的新型數(shù)學(xué)工具由Pawlak于1982年提出。粗糙集理論吸

2、引了世界范圍內(nèi)許多研究者和實踐者的關(guān)注。近年來，粗糙集理論及實際應(yīng)用都取得了長足的發(fā)展。粗糙集理論已被成功地應(yīng)用于很多領(lǐng)域，尤其是在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘。目前經(jīng)典粗糙集已成功處理符號型的數(shù)據(jù)，鄰域粗糙集成功處理數(shù)值型的數(shù)據(jù)。同時還產(chǎn)生了覆蓋粗糙集、決策粗糙集等諸多理論分支并成為粒計算三大理論之一。
　　代價敏感學(xué)習(xí)是數(shù)據(jù)挖掘中十大具有挑戰(zhàn)性問題之一。代價是在數(shù)據(jù)獲取或數(shù)據(jù)處理的過程中產(chǎn)生的，是數(shù)據(jù)不可分割的一部分。測試代價是在進(jìn)行測

3、試時獲得每條測試的屬性值所付出的價值。誤分類代價即為把屬于一類的記錄劃分為另一類時需要支付的代價。代價敏感學(xué)習(xí)通過權(quán)衡測試代價和誤分類代價，使得所采取的行為的代價最小或產(chǎn)生最優(yōu)決策行為。在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域，代價敏感學(xué)習(xí)既是熱點問題，也是難點問題。
　　在現(xiàn)實應(yīng)用中，所需處理的數(shù)據(jù)多為混合了符號型數(shù)據(jù)和數(shù)值型數(shù)據(jù)的混合型數(shù)據(jù)。已有的方法在處理混合型數(shù)據(jù)的代價敏感屬性選擇問題時，常將不同類型的數(shù)據(jù)處理成一種類型的數(shù)據(jù)。例如，將混

4、合型數(shù)據(jù)中的符號型數(shù)據(jù)歸一化為數(shù)值型數(shù)據(jù)或?qū)?shù)值型的數(shù)據(jù)離散化成符號型數(shù)據(jù)。但是，這樣處理混合型數(shù)據(jù)會造成數(shù)據(jù)本身信息丟失，導(dǎo)致屬性選擇的測試代價和誤分類代價增加。因此，研究混合型數(shù)據(jù)的代價敏感學(xué)習(xí)無論就知識發(fā)現(xiàn)的理論研究，還是許多領(lǐng)域的應(yīng)用需求都具有重要的價值。本文主要研究數(shù)據(jù)值域為混合型數(shù)據(jù)的代價敏感學(xué)習(xí)。
　　本文的研究內(nèi)容主要分為兩部分：第一部分詳細(xì)研究了混合型數(shù)據(jù)的測試代價敏感屬性約簡問題。一方面，我們提出一個改進(jìn)的人工

5、蜂群算法來解決符號型數(shù)據(jù)上的測試代價敏感屬性約簡問題。實驗結(jié)果表明，我們所改進(jìn)的算法的實驗結(jié)果在很大程度上比已有的算法優(yōu)越。另一方面，我們提出自適應(yīng)鄰域和基于自適應(yīng)鄰域的算法解決混合型數(shù)據(jù)上的測試代價敏感屬性約簡問題。實驗結(jié)果表明，我們所改進(jìn)的算法的實驗結(jié)果在很大程度上比已有的算法優(yōu)越。
　　第二部分主要研究了混合型數(shù)據(jù)的代價敏感屬性選擇問題。代價敏感屬性選擇問題是考慮測試代價和誤分類代價屬性選擇問題?；谧赃m應(yīng)鄰域模型，我們提出