基于粗糙集的启发式高效属性约简算法的研究的中期报告.docx

基于粗糙集的启发式高效属性约简算法的研究的中期报告
中期报告
一、研究背景和意义
从数据挖掘的角度来看，属性约简是非常重要的技术，特别是在数据集维度较高的情况下，能够大大降低数据挖掘算法的计算复杂度，在保证精度的前提下提高了算法的效率。目前，已经有多种属性约简算法被提出，但是这些算法都存在一定的不足，在实际应用中存在计算复杂度高、效率低、易受到噪声的影响等问题。
因此，研究一种高效的、实用的、能够有效解决上述问题的属性约简算法具有非常重要的意义。
二、研究内容
本研究基于粗糙集理论，提出了一种启发式高效属性约简算法。算法主要分为两个阶段：决策属性筛选和条件属性约简。在决策属性筛选阶段，算法采用控制位数的决策属性度量方法，用于确定最小决策属性子集，并对数据集进行划分。在条件属性约简阶段，算法采用启发式搜索策略，包括最大熵准则和遗传算法，以提高算法的效率和精度。同时，算法还考虑到了噪声对算法结果的影响，并采用了加权策略。
三、研究进展
目前，我们已完成了算法的设计和实现，并在UCI数据集上进行了实验。实验结果表明，该算法在保证精确度的前提下，能够显著降低算法的计算复杂度，同时具有较高的效率。
下一步，我们将继续改进算法，提高算法的鲁棒性和适应性，在更广泛的数据集上进行验证和应用。
四、存在的问题和解决方案
本算法的缺点是决策属性筛选方法的精度较低，容易受到噪声的影响。解决方案可以是采用多种决策属性度量方法的组合，并对算法进行加权优化，以提高算法的鲁棒性和精度。
另外，算法中启发式搜索策略的效率还有待提升。我们将采用更复杂的搜索策略，并引入并行计算技术，以进一步提高算法的效率。
五、参考文献
[1]PawlakZ.Roughsets:theoreticalaspectsofreasoningaboutdata[M].SpringerScience&BusinessMedia,2012.
[2]YangXS.Geneticalgorithminsearch,optimizationandmachinelearning[M].Wiley,2013.
[3]HuQ,ChenX,LiX.Aheuristicattributereductionalgorithmbasedonconditionalentropy[J].InformationSciences,2018,457:56-69.