返回
Optimal meso-granularity selection for classification based on Bayesian optimization
DOI:10.1016/j.knosys.2025.113552.png)
摘要
En 中文
多粒度形式概念分析是一个整合了粒计算和形式概念分析的交叉研究领域。它为在多粒度层级上分析问题提供了宝贵的机遇,并已成为数据挖掘和知识发现领域的关键工具。在多粒度形式概念分析中,最优粒度选择是一个重要挑战。现有的最优粒度选择方法通常仅关注属性的单粒度,未考虑中粒度层级或不同属性粒度的组合,且无法有效减少冗余属性。本文旨在解决该问题并进一步改进分类性能。具体而言,我们首先引入中粒度类-属性块以克服上述局限性。然后,引入信息增益,并结合中粒度类-属性块与决策信息设计了最优中粒度选择算法。此外,我们提出核心属性的概念,并定义其内部和外部重要性,这对属性约简有益。最后,通过贝叶斯优化选择最优中粒度组合,提高了中粒度组合在分类中的效率。本文提出模型的有效性通过真实数据集的实验得到验证。实验结果表明,所提出的方法优于现有方法,在比较方法中实现了最佳的分类性能。所有代码已发布于https://github.com/yqlinux/OMSFC。
Keyword:
Classification
Multi-granularity of data
Optimal meso-granularity selection
Attribute reduction
Bayesian optimization
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
5.9W
机构
引用论文
Congruity feature extraction across Parkinson’s voice disorder datasets based on formal concept analysis基于形式概念分析的帕金森语音障碍数据集间的同构特征提取
Distributed Conflict Analysis Across Varying Analysis Levels Based on Fuzzy Formal Contexts基于模糊形式背景的跨不同分析层级的分布式冲突分析
Bridging Machine Learning and Formal Concept Analysis for Effective Crowd Detection将机器学习与形式概念分析相结合,以实现有效的群体检测

