符號屬性值的相似度學習及屬性重要性研究.pdf

1、在基于案例推理的分類系統(tǒng)（即CBR分類器）中，屬性間的相似度對分類和決策結果起著決定性的作用。而屬性的相似性度量又依賴于每個屬性值之間的相似度計算。本文研究的是符號屬性值之間的相似度，這里考慮的符號值屬性是其屬性值完全無序的一類屬性，例如屬性“顏色”，其取值為“紅”，“黃”，“藍”。大部分研究認為這類屬性值之間的相似度只能取0或1，這種處理方法會導致信息的丟失。已有的工作將這類屬性值的相似度從{0,1}擴展到了[0,1]區(qū)間，并用遺傳算

2、法進行了學習。但當屬性的數(shù)量及值域較大時，遺傳算法的收斂速度明顯變慢，且分類精度受到影響。基于此考慮，本文提出一種基于粒子群的相似度學習算法來獲得符號屬性值的相似度，通過實驗證明，基于粒子群的算法比遺傳算法收斂速度快，精度高。
　　 此外，本研究進一步指出，通過學習獲得的屬性值相似度可以粗略反應屬性本身的重要程度，并給出了屬性的重要性度量。實驗驗證了這種度量的可行性。最后，基于粗糙集理論中相對正域的概念，本文還提出了一種判斷數(shù)據