Rational linear kernelized weighted fuzzy rough attribute selection with class separability

doi:10.1016/j.fss.2025.109600

Rational linear kernelized weighted fuzzy rough attribute selection with class separability

2025-09-22

0

PRE

AI

DOI：10.1016/j.fss.2025.109600

原文链接

原文求助

摘要

En 中文

属性选择在数据挖掘中广泛应用，用于降低维度和计算开销，从而提升机器学习模型的泛化能力和效率。然而，从具有不确定性、稀疏性和异质性的数据中选择最具代表性的属性子集是一项具有挑战性的任务。大多数现有的基于模糊粗糙集的属性选择方法仅关注改进特定特性，缺乏全面考量，限制了其有效性。此外，这些方法忽视了数据中的类别分布信息，导致所选属性子集的代表性较差。针对这些问题，本文提出了一种结合类别可分性的有理线性核化加权模糊粗糙属性选择方法（RLWAS-CS）。首先，基于有理二次核和混合属性距离度量，定义了一种有理线性（RL）核化模糊相似关系，以精确捕捉稀疏和异质空间中的样本相似性。在此基础上，提出了RL核化加权模糊粗糙集模型（RLWFRS）。在该模型中，权重综合反映了样本与每个类别在完整属性空间中的隶属关系，提高了模糊近似隶属度的可区分性，并增强了其处理不确定性的能力。此外，基于RLWFRS模型设计了一个属性评价函数，该函数整合了类别可分性，同时捕捉类别分布特征以及属性可分性与冗余性之间的动态关系。最后，提出了RLWAS-CS算法用于属性选择。实验结果表明，RLWAS-CS在有效性方面优于基线方法。

Rational linear kernelized weighted fuzzy rough attribute selection with class separability

摘要

期刊

机构

引用论文