Chia sẻ bài báo qua Email RÚT GỌN THUỘC TÍNH CHO BẢNG QUYẾT ĐỊNH THEO TIẾP CẬN TẬP THÔ LÂN CẬN
Thông tin bài báo
Ngày nhận bài: 22/03/23 Ngày hoàn thiện: 05/05/23 Ngày đăng: 08/05/23Các tác giả
1. Nguyễn Xuân Tiến, Đại học Thái Nguyên2. Trần Thanh Đại
, Trường Đại học Kinh tế Kỹ thuật Công nghiệp3. Trịnh Văn Hà, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
4. Tô Hữu Nguyên, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
5. Nguyễn Thị Duyên, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
Tóm tắt
Rút gọn thuộc tính là bước tiền xử lý dữ liệu quan trọng và được ứng dụng rộng rãi trong các lĩnh vực nhận dạng mẫu, hệ tư vấn và hỗ trợ ra quyết định. Để rút gọn thuộc tính cho các bảng quyết định miền giá trị số theo tiếp cận tính toán hạt, các hạt thông tin truyền thống thường được mờ hóa hoặc rời rạc hóa để xây dựng các độ đo đánh giá độ quan trọng của thuộc tính. Trong bài báo này chúng tôi đề xuất phương pháp rút gọn thuộc tính mới bao gồm các bước sau đây: 1) mờ hóa quá trình rời rạc dữ liệu nhằm tăng độ mịn dữ liệu sau khi rời rạc hóa; 2) xác định tỉ lệ phụ thuộc của thuộc tính quyết định với tập thuộc tính điều kiện; 3) định nghĩa tập rút gọn và phương pháp tính toán độ quan trọng của thuộc tính để xây dựng thuật toán rút gọn thuộc tính. Các kết quả thực nghiệm trên các bộ dữ liệu mẫu từ UCI cho thấy, phương pháp của chúng tôi đề xuất là hiệu quả so với các phương pháp rút gọn thuộc tính theo tiếp cận tính toán mờ truyền thống.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1] X. Rao, X. Yang, X. Yang, X. Chen, D. Liu, and Y. Qian, “Quickly calculating reduct: An attribute relationship based approach,” Knowledge-Based Syst., vol. 200, p. 106014, 2020.
[2] K. Liu, X. Yang, H. Fujita, D. Liu, X. Yang, and Y. Qian, “An efficient selector for multi-granularity attribute reduction,” Inf. Sci. (Ny)., vol. 505, pp. 457–472, 2019.
[3] Y. Chen, K. Liu, J. Song, H. Fujita, X. Yang, and Y. Qian, “Attribute group for attribute reduction,” Inf. Sci. (Ny)., vol. 535, pp. 64–80, 2020.
[4] M. Hu, E. C. C. Tsang, Y. Guo, D. Chen, and W. Xu, “Attribute reduction based on overlap degree and k-nearest-neighbor rough sets in decision information systems,” Inf. Sci. (Ny)., vol. 584, pp. 301–324, 2022.
[5] M. Hu, E. C. C. Tsang, Y. Guo, D. Chen, and W. Xu, “A novel approach to attribute reduction based on weighted neighborhood rough sets,” Knowledge-Based Syst., vol. 220, pp. 106908, 2021.
[6] Y. Guo, M. Hu, X. Wang, E. C. C. Tsang, D. Chen, and W. Xu, “A robust approach to attribute reduction based on double fuzzy consistency measure,” Knowledge-Based Syst., vol. 253, p. 109585, 2022.
[7] X. Fan, Q. Chen, Z. Qiao, C. Wang, and M. Ten, “Attribute reduction for multi-label classification based on labels of positive region,” Soft Comput., vol. 24, pp. 14039–14049, 2020.
[8] J. Yang, Q. Zhang, and Q. Xie, “Attribute reduction based on misclassification cost in variable precision rough set model,” J. Intell. Fuzzy Syst., vol. 37, pp. 5129–5142, 2019.
[9] J. Xie, B. Q. Hu, and H. Jiang, “A novel method to attribute reduction based on weighted neighborhood probabilistic rough sets,” Int. J. Approx. Reason., vol. 144, pp. 1–17, 2022.
[10] G. Liu and Y. Feng, “Knowledge granularity reduction for decision tables,” Int. J. Mach. Learn. Cybern., vol. 13, pp. 569–577, 2022.
[11] L. G. Nguyen and L. Son, “Novel Incremental Algorithms for Attribute Reduction from Dynamic Decision Tables Using Hybrid Filter-Wrapper with Fuzzy Partition Distance,” IEEE Trans. Fuzzy Syst., vol. 28, pp. 858–873, 2020.
[12] T. T. Nguyen, L. G. Nguyen, and T. D. Tran, “A Novel Filter-Wrapper Algorithm on Intuitionistic Fuzzy Set for Attribute Reduction from Decision Tables,” International Journal of Data Warehousing and Mining, vol. 17, pp. 67–100, 2021.
[13] N. T. Nguyen and S. Wongthanavasu, “Hybrid filter–wrapper attribute selection with alpha-level fuzzy rough sets,” Expert Syst. Appl., vol. 193, p. 116428, 2022.
[14] B. Remeseiro and V. Bolon-Canedo, “A review of feature selection methods in medical applications,” Computers in Biology and Medicine, vol. 112, pp. 119–121, 2019.
[15] H. Garg and G. Kaur, “Novel distance measures for cubic intuitionistic fuzzy sets and their applications to pattern recognitions and medical diagnosis,” Granul. Comput., vol. 5, pp. 169–184, 2020.
[16] P. Pattaraintakorn and N. Cercone, “Integrating rough set theory and medical applications,” Appl. Math. Lett., vol. 21, pp. 400–403, 2008.
[17] M. Riaz, F. Karaaslan, I. Nawaz, and M. Sohail, “Soft multi-rough set topology with applications to multi-criteria decision-making problems,” Soft Comput., vol. 25, pp. 799–815, 2021.
[18] A. J. Fernández-García, L. Iribarne, A. Corral, J. Criado, and J. Z. Wang, “A recommender system for component-based applications using machine learning techniques,” Knowledge-Based Syst., vol. 164, pp. 68–84, 2019.
[19] B. Saravanan, V. Mohanraj, and J. Senthilkumar, “A fuzzy entropy technique for dimensionality reduction in recommender systems using deep learning,” Soft Comput., vol. 23, pp. 2575–2583, 2019.
[20] UCI, “Machine learning repository,” 2021. [Online]. Available: https://archive.ics.uci.edu/ml/index. php. [Accessed on 26 March 2023]
DOI: https://doi.org/10.34238/tnu-jst.7599
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu