计算机科学与探索

作者：倪鹏，刘阳明，赵素云，陈红，李翠平

单位：1. 中国人民大学 数据工程与知识工程教育部重点实验室，北京 1008722. 中国人民大学 信息学院，北京 100872

关键词：特征选择,增量学习,模糊粗糙集,依赖度

由于数据随时间和空间不断更新，很多基于粗糙集的增量方法被提出。然而，动态数据上基于模糊粗糙集的特征选取（也称属性约简）更新的研究较少，特别是连续型动态数据上的增量特征选取。为了解决这个问题，提出适用于连续型数据的基于模糊粗糙集的增量属性约简算法。首先提出模糊粗糙基本概念的增量机制，如模糊正域的增量机制。只有部分示例在已有属性约简上的辨识能力不足，即对于模糊正域来说，存在一个关键示例集。增量约简算法基于已有数据上的约简结果，仅需要更新关键示例集中的示例，而非全部的论域。因而该增量算法在动态数据上能快速获得约简的更新。通过数值对比实验可以看出，增量算法比非增量算法在运行时间上有明显的优势。特别是对于高维数据集，增量算法可以大大地节省计算时间。

来源：2020年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第2期