区间值决策表中测试代价敏感的属性约简方法

摘要

在当前的大数据时代，数据处理至关重要。代价敏感学习是机器学习、数据挖掘等领域研究热点之一，而测试代价是一种重要的代价，数据处理往往要考虑到测试代价。但是，目前较少有基于测试代价去考虑区间值数据的属性约简。针对该情况，讨论了区间值决策表中测试代价敏感的属性约简问题，创建了相应的粗糙集理论模型，提出了测试代价相关的加权属性重要度函数，并设计了测试代价敏感属性约简的回溯算法和启发式算法。最后在多个UCI数据集上进行实验，检验了所提出算法的有效性。该算法相较于现有的两个属性约简算法，在降低总测试代价方面具有显著的优势。回溯算法总是可以得到最优约简，而启发式算法能较高效率地得到最优或次优的约简。

关键词

区间值 / 决策表 / 属性约简 / 测试代价 / 不一致对象