基于粗集理论,本文提出了一种新的决策表最优特征子集选择的启发式算法.复杂决策表的特征提取方法研究
互联网摘选
最优模糊特征子集选取OFFSS(Optimal Fuzzy-Valued Feature Subset Selection)是一种用模糊扩张矩阵进行最优特征子集选择的方法。
互联网摘选
介绍了归纳学习中的决策树学习算法如ID3、C4.5和特征子集选择问题。
互联网摘选
特征子集选择问题是机器学习的重要问题.而最优特征子集的选择是NP困难问题,因此需要启发式搜索指导求解。
互联网摘选
对数据挖掘中的特征子集选择问题进行分析,提出了基于改进遗传算法的特征子集选择算法。
互联网摘选
指出最优特征子集选择问题(OFSS)是个NP-Hard问题,寻找一个近似算法具有现实意义。
互联网摘选
针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。
互联网摘选
最优模糊值特征子集选取OFFSS(Optimal Fuzzy-Valued Feature Subset Selection)适用于数据库中示例只分为正反两类的特征子集选取问题,而不适用于多类的特征子集选取问题。
互联网摘选
OFFSS(Optimal Fuzzy-Valued Feature Subset Selection)是一种新的模糊值特征选取的方法,是基于两类事例集合的重叠程度来选取特征空间中最优特征子集。
互联网摘选
随着基于模糊值最优特征子集选取OFFSS的提出,对于实际应用中语义含义不精确数据(如:大,中,小)的表示,OFFSS方法采用模糊集合的方式代替了传统离散值的方式。
互联网摘选
该算法采用了一个适合支持向量回归(SVR)的新目标函数,并在特征子集选择中根据实验数据集冗余特征较少的特点,采用顺序后向选择算法。
互联网摘选