基于云模型的分类算法

admin · 发表于昨天 15:21

题目：

雅宝题库答案：

****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案

雅宝题库解析：
作为机器学习的主要研究分支，分类题目是最基础的科学题目之一。本文以云模型为知识建模手段，构建一种基于云模型的分类算法，该算法具有较理想的分类精度，同时兼顾了分类算法的可解释性、高健壮性、可伸缩性和执行速度。本文的主要工作及创新点有：1) 发现云模型的雾化性质，拓宽了云模型知识表示的范围分析正态云模型超熵增大时云滴分布规律，发现了云模型雾化性质，并将其归纳为云模型的第四个数学性质。通过实验说明云在雾化过程中表现出的良好性质：随着超熵的增大，概念的外延迅速增大，然而概念的内涵仍旧保持在原始概念的中心附近。虽然雾化的过程中云滴整体上趋向离散，但能够始终保持云滴在靠近云模型中心部分占有优势，而且随着超熵的扩大，云心部分的平均密度相对整体密度有升高的趋势。云模型原有研究可实现趋于正态的定量数据到定性知识的转换，雾化性质可以刻画偏离正态分布、缺乏共识的定量数据。雾化性质的发现丰富了云模型知识表示的范畴，提高了云模型知识表示的普适性。2) 应用云模型雾化性质对逆向云算法进行改进，实现了分类数据的云模型建模方法云模型雾化过程中，随着云滴的离散，骨干区间内的云滴数目会反向增加。可证明，当He=0.98En时，雾化云对概念核心得以最大保持。传统的逆向云算法处理偏离正态的定量数据时，存在缺陷。本文提出适用于分类知识表示的CG-1C算法，核心思想是：采用泛正态云表示趋于正态分布的样本数据，采用雾化云代表严重偏离正态分布、难于形成共识的分类知识。基于云模型的分类知识表示是云模型的泛正态性质和雾化性质的联合应用。特定分类的属性样本建模成类别属性云，训练集数据整体映射为类别属性云矩阵，完成分类样本的建模工作。3) 提出一种概念相似性度量方法，并用之确定样本属性分类重要度基于向量距离的相似度度量方法不能适用于类别属性云的相似性度量，充分考虑类别属性云中对分类知识不确定性的表征，我们采用Ex与En联合作用表示分类知识的云心相似程度，熵与超熵表示分类知识的形态相似程度，两者共同作用，可获得一种云相似度量方法。将此方法应用于类别属性云矩阵，提出类别属性重要度的概念并给出一种分类样本属性重要度度量算法FWCS；云相似性度量方法克服了传统相似性度量（基于向量距离的相似性度量）的不足，从知识表示的角度给出概念相似性度量方法。4) 提出样本属性合并策略，实现了组合属性的联合分类贡献挖掘算法基于分类样本的属性重要度方法，提出分类样本属性合并的算法FCCS：通过属性重要度度量，分类数据集中各属性都具有了对分类贡献的属性重要程度指标。如果两个属性合并之后，所产生的合并属性重要度大于原属性重要度，则可以将这两个属性合并，使用新的合并属性代替原属性。从认知的角度，人类智能习惯于从多属性角度确定事物的分类。通过我们提出的属性合并策略，可以挖掘隐藏在属性之间的联合分类知识，进而指导分类过程。模式匹配过程中，对于趋近于正态分布的分类知识，采用云模型数学性质三中提出的云期望曲线公式，度量样本对分类的贡献；对于已经发生雾化的分类知识，依据其偏离正态（难于形成共识）的程度，增大核心论域内样本的贡献，体现了雾化特征的含义。基于iris、heart、labor、sonar、vote等29个通用标准分类测试集数据进行分类实验，从平均正确率、W/T/L指标、Rank指标等角度将CBC与NB、AODE、LBR、NeC4.5、IBLR_ML+、KNNNB等17个优秀分类器进行了对比分析。实验结果表明，基于云模型的分类算法较其它优秀分类器具有更高或可比的分类正确率。最后，提出基于云相似度的协同过滤推荐算法：使用云模型建模项目评价结果和用户评分偏好，通过云相似度计算获取最近邻居。实验结果表明，基于云相似度实现的协同过滤推荐具有良好的推荐准确度。

基于云模型的分类算法

天涯海角也要找到Ni：基于云模型的分类算法

QQ微信同步：1144766066。

服务

网站

战略合作