.png){kind=icon}
返回
Discover Class-Based Feature Distribution by Encoding Discrete Data for Classification
.png){kind=icon}
OA
AI
DOI：10.1111/exsy.70288.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自组织映射是一种无监督学习技术，能够在不需要标记训练数据的情况下发现数据中的模式和关系。受自组织映射启发，自组织粒度编码已被证明在生成可靠的离散数据聚类结果方面是有效的，因为它是一种使用模糊集和粒度来处理离散数据中不确定和不精确信息的编码技术。然而，它主要用于无监督学习，其用于监督学习的可行性尚未得到研究。此外，离散数据分类仍研究不足。本文提出了一种新的离散数据分类方法，称为转置模糊类粒度分类。该方法旨在通过考虑所有可用类别并将离散数据转换为模糊划分，并通过测量每个模糊类别的隶属度分布平均值的总散度来生成训练类别的转置模糊类粒度分布表示。本文通过调整类粒度进行分类并解决不确定性、模糊性以及离散数据集的独特特征来改进性能，从而引入了一种离散数据分类的新方法。研究考察了七个离散数据集，并将其性能与八个常用分类器作为基线进行比较。这些数据集是自然离散的，或通过对真实数据集进行离散划分创建的。实验结果表明，所提出的分类器在离散数据分类方面优于基线分类器。
Keyword:
discrete data classification
Fuzzy set
granular computing
Jensen–Shannon divergence
self-organisation granular encoding
self-organisation map
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.3
论文数:
2.5K
被引数:
3.8K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Granule-specific feature selection for continuous data classification using neighborhood rough sets
PREAI
分享收藏
查看更多内容