三支决策朴素贝叶斯增量学习算法研究

增量学习利用增量数据中的有用信息通过修正分类参数来更新分类模型,而朴素贝叶斯算法具有利用先验信息以及增量信息的特性,因此朴素贝叶斯算法是增量学习算法设计的最佳选择。三支决策是一种符合人类认知模式的决策理论,具有主观的特性。将三支决策思想融入朴素贝叶斯增量学习中,提出一种基于三支决策的朴素贝叶斯增量学习算法。基于朴素贝叶斯算法构造了一个称为分类确信度的概念,结合代价函数,用以确定三支决策理论中的正域、负域和边界域。利用三个域中的有用信息构造基于三支决策的朴素贝叶斯增量学习算法。实验结果显示,在阈值[α]和[β]选择合适的情况下,基于该方法的分类准确性和召回率均有明显的提高。     

基于KNN模型的增量学习算法

KNN模型是公式但其属于非增量学习算法,从而限制它在一些应用领域的推广。文中提出一个基于KNN模型的增量学习算法,它通过对模型簇引进“层”的概念,对新增数据建立不同“层”的模型簇的方式对原有模型进行优化,达到增量学习的效果。实验结果验证该方法的有效性。     

三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

基于三支决策的KNN渐进式文本分类方法

在传统的文本分类中,KNN算法以其简单、分类准确率高、非参数得到了广泛的应用。但是传统KNN算法在进行文本分类的过程中,需要计算待分类文本与每一个训练样本的相似度,当面对海量的文本时,分类的效果会明显降低。针对此问题,提出了一种基于三支决策的KNN渐进式文本分类方法用于提高其分类效率,结合三支决策在分类问题中的优势,将三支决策与KNN算法相结合,对标题、摘要、关键词等进行渐进式的分类处理,从而完成待分类文本的分类,提高文本分类的效率和性能。实验表明,该算法能够在确保KNN算法分类准确率的基础上,同时提高分类效率。     

基于三支决策的增量标签传播算法

三支决策(Three-Way Decision,3WD)作为一种新的粒计算方法,在处理不确定和不精确问题上具有独特的优势.针对标签传播算法(Label Propagation Algorithm,LPA)在节点更新过程中存在的较高随机不确定性和冗余性问题,提出了基于三支决策的增量标签传播算法(3 WD_ILPA).首先,给出了邻接模糊信息测度的概念和计算方法,并用于生成任意两节点间的概率转移矩阵.然后,将三支决策融入节点的动态更新过程,并把迭代更新后准确率最高的节点逐步增量添加到下一循环过程,直至收敛.此外,给出了3 WD_ILPA算法的详细流程.最后,在ABIDE数据集上进行孤独症(Autistic Spectrum Disorder,ASD)识别实验,与传统机器学习、深度学习和迁移学习等方法的对比结果表明,所提方法具有更高的准确率.     

广义三支决策与狭义三支决策

从三支决策发展历史出发,在总结三支决策近年来研究的基础上,基于三支决策现有模型、算法及应用,提出了一种广义三支决策和狭义三支决策理论。广义三支决策注重对三支决策概念内涵和外延进行诠释;狭义三支决策主要注重三支决策在实际决策问题中的语义解释。提出了一种"四层次"三支粒结构决策模型,从静态和动态、广义和狭义两种视角对三支决策进行剖析,厘清了三支决策发展过程和研究脉络。最后,给出了三支决策的研究现状和未来发展方向。     

基于三支决策的支持向量机增量学习方法

针对典型的支持向量机增量学习算法对有用信息的丢失和现有支持向量机增量学习算法单纯追求分类器精准性的客观性,将三支决策损失函数的主观性引入支持向量机增量学习算法中,提出了一种基于三支决策的支持向量机增量学习方法.首先采用特征距离与中心距离的比值来计算三支决策中的条件概率;然后把三支决策中的边界域作为边界向量加入到原支持向量和新增样本中一起训练;最后,通过仿真实验证明,该方法不仅充分利用有用信息提高了分类准确性,而且在一定程度上修正了现有支持向量机增量学习算法的客观性,并解决了三支决策中条件概率的计算问题.     

基于双论域信息系统的三支决策增量式更新算法

三支决策模型是近年来提出的一种新的决策理论,双论域信息系统下的三支决策是目前的研究热点.针对双论域信息系统的动态更新问题,提出一种双论域三支决策模型的增量式更新算法.对于双论域信息系统两个论域的动态变化,分别研究三支决策模型中三个区域的增量式更新.基于这种更新机制提出对应的增量式更新算法.仿真实验表明,与非增量式的更新...     

一种基于三支聚类的快速KNN算法

KNN算法以其稳定性好、准确率高等特点受到了广泛的应用.但其分类效率与训练样本的规模呈正比,在面对大规模、高维度的数据时分类效率较低.一些改进的KNN算法通过聚类对训练样本进行裁切,从而降低训练样本的规模,提高分类效率,然而待测样本近邻点的缺失导致其分类准确率降低.为此,本文提出了一种基于三支聚类的快速KNN算法(TW...     

基于弯曲距离三支决策的时序相似性算法

动态时间弯曲距离算法(DTW)是目前公认的最有效的时间序列相似性计算方法之一,但是较高的时间复杂度一直是其主要缺点。快速弯曲距离算法(FTW)能有效提高DTW的计算速度,但是该算法对不同粒度时间序列剪枝的行为是典型的二支决策,与人类处理不确定问题时普遍采用的三支判断不同。因此,通过将三支决策理论引入到DTW算法的优化工作中,建立了DTW三支决策模型;然后对DTW三支决策模型中的决策阈值α和β进行了基于误识别率的推导,并且给出了具体求解阈值α和β的模拟退火算法;最后基于上述理论提出了基于弯曲距离三支决策的时序相似性算法(3WD-DTW)。通过对比实验表明,与FTW算法相比,3WD-DTW算法在保持较快的计算速度的前提下明显提升了计算准确度,使其接近DTW的水平。     

基于q近邻的不完备数据三支决策聚类方法

聚类是数据挖掘的重要技术之一,在许多实际应用领域,由于数据获取限制,数据误读,随机噪音等原因会造成大量的缺失数据,形成数据集的不完备性,而传统的聚类方法无法直接对这类数据集进行聚类分析。针对数值型数据,提出了一个基于三支决策的不完备数据聚类方法。首先找到不完备数据对象的q个近邻,使用q个近邻的平均值填充缺失的数据;然后在"完备的"数据集上使用基于密度峰值的聚类方法得到簇划分,对每个簇中含有不确定性的数据对象,使用三支决策的思想将其划分到边界域中。三支决策聚类结果采用区间集形式表示,通常一个簇被划分成正域、负域和边界域部分,可以更好地描述软聚类结果。在UCI数据集和人工数据集上的实验结果展示了算法的有效性。     

三支决策的时空性

从三支决策发展历史和已有研究出发,在总结和分析三支决策近年来理论、方法、算法及应用的基础上,基于时间和空间两个维度,分别提出了时间三支决策模型和空间三支决策模型。时间三支决策注重在动态决策环境下对序贯决策进行诠释;空间三支决策主要基于“多层次”和“多视角”的粒计算思想对最优粒层和粒度进行选择。此外,对三支决策的时空性作了深入探讨和分析,厘清了三支决策发展过程和研究脉络。最后,对三支决策的研究现状进行总结,并给出未来发展方向。     

基于邻域三支决策粗糙集模型的软件缺陷预测方法

基于已有软件缺陷数据,建立分类模型对待测软件模块进行预测,能够提高测试效率和降低测试成本。现有基于机器学习方法对软件缺陷预测的研究大部分基于二支决策方式,存在误分率较高等问题。本文针对软件缺陷数据具有代价敏感特性且软件度量取值为连续值等特性,提出了一种基于邻域三支决策粗糙集模型的软件缺陷预测方法,该方法对易分错的待测软件模块作出延迟决策,和二支决策方法相比,降低了误分类率。在NASA软件数据集上的实验表明所提方法能够提高分类正确率并减小误分类代价。     

基于相容粒模型和三支决策的图像分类算法

相容粒空间模型是粒计算理论的主要方法之一,利用粒计算的方法对相容粒及其空间模型的研究已经比较深入,然而在实际图像分类的应用中,面对的问题更为复杂。为了解决现实图像分类中存在的信息有限或信息缺失而造成分类不准确的问题,本文重点研究相容粒模型的分层思想,通过与善于解决以上问题的三支决策理论相结合,形成一种基于相容粒模型和三支决策理论相结合的图像分类算法,并通过仿真实验验证该算法是有效可行的。     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

基于k-means的自动三支决策聚类方法

应用广泛的k-means算法结果是一种二支决策的结果,即对象要么属于某个类要么不属于这个类,这种决策方式难以适用于一些具有不确定现象的环境,因此提出三支决策聚类方法来反映对象与类之间的关系,即：对象确定属于某类、可能属于某类或确定不属于某类。显然,二支决策是三支决策的一种特例。此外,从类内紧凑性和考虑近邻类间分离性角度出发,定义了分离性指数、聚类结果评估有效性指数,并提出了一种自动三支决策聚类算法。该方法为处理具有不确定信息的基于k-means算法框架的聚类数目自动确定的难题提供了一种新的解决思路。在人工数据集和UCI真实数据集上的初步对比实验结果表明所提出的方法是有效的。     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

用人工鱼群算法自动确定三支决策阈值

传统的三支决策粗糙集模型需要设置合适的阈值,需要运用该模型的人员具备相关的专业知识和经验,这阻碍了该模型在实际中的应用。针对此不足,本文提出用人工鱼群算法来自动生成阈值,而不需要先验知识。以样本的条件概率作为解空间,以决策风险最小化为目标,利用人工鱼群算法,能有效地从数据中学习到三支决策粗糙集模型所需要的阈值,使得风险损失最小。在部分UCI数据集上的实验表明,该算法在运行时间上和利用学习到的阈值构建的分类器的分类性能都明显优于自适应算法。      

基于决策粗糙集的广义序贯三支决策方法

三支决策是求解动态不确定性问题的有效方法之一。相比传统的二支决策,序贯三支决策方法在信息不充分或证据不足时能有效平衡决策结果代价和过程代价。在研究多层次的粒结构、多选择的处理对象和多样化的代价结构的基础上,提出了一种基于决策粗糙集的广义序贯三支决策模型。该模型在每一层都考虑了7种不同的对象处理方式。最后,通过实验对比分析了该模型中7种方法的效率和性能。     

一种基于三支决策的云任务调度优化算法

云任务调度作为云计算体系的一个重要组成部分,其调度策略的效果直接影响到云平台资源利用率及用户服务质量。为解决当前云调度策略中Min-Min算法和Ma-Min算法容易因云任务分布导致负载不均衡、资源综合使用率低和任务总体完成时间较大等问题,提出一种基于三支决策的云任务调度优化算法(Cloud Task Scheduling Algorithm based on three-Way Decision, CTSA-3WD)。根据云任务的执行时间和计算资源的实际情况来标定任务集合中的轻负载任务和重负载任务。借鉴三支决策基本思想,根据两种任务在其任务集合中所占比例进行三支划分,有针对性地对划分后的3个任务集合设计合适的调度策略:针对轻负载任务占比高的任务集合,使用Max-Min算法;针对重负载任务占比高的任务集合,使用Min-Min算法;针对轻重负载任务接近的任务集合,采用基于Min-Min和Max-Min的改进任务调度算法。对分配完毕的节点中的关键资源进行重新调度,在满足总体完成时间减少的前提下选择最匹配的任务分配给轻负载资源。CloudSim仿真平台的实验结果表明,所提出的云任务调度优化算法...