Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

07.03.2020 | Original Article | Ausgabe 9/2020

International Journal of Machine Learning and Cybernetics 9/2020

Supervised information granulation strategy for attribute reduction

Zeitschrift:
International Journal of Machine Learning and Cybernetics > Ausgabe 9/2020
Autoren:
Keyu Liu, Xibei Yang, Hualong Yu, Hamido Fujita, Xiangjian Chen, Dun Liu
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

In rough set based Granular Computing, neighborhood relation has been widely accepted as one of the most popular approaches for realizing information granulation. Such approach is to group samples in terms of their similarities without the consideration of their labels. Therefore, it can be referred to as an unsupervised information granulation strategy. Nevertheless, it is obvious that such unsupervised mechanism may generate imprecise neighborhoods by comparing the actual labels of samples. It follows that it is not good enough for classification-oriented attribute reduction to select qualified attributes. To fill such a gap, a novel supervised information granulation strategy is proposed. Different from the unsupervised information granulation, samples are grouped by using not only the similarities over conditional attributes but also the labels. For such a purpose, our mechanism mainly contains two aspects: (1) intra-class radius, which aims to add samples with the same label into neighborhood; (2) extra-class radius, which aims to delete samples with different labels from the neighborhood. The experimental results over 12 UCI data sets demonstrate that, compared with previous researches, the reducts derived by our supervised information granulation may contribute to superior classification performances. This study suggests new trends and applications of considering information granulation from the viewpoint of supervised learning.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 9/2020

International Journal of Machine Learning and Cybernetics 9/2020 Zur Ausgabe