论文部分内容阅读
邻域粗糙协同分类模型结合了邻域粗糙集和协同学习理论，可以处理连续型数据，并可有效利用无标记数据提高分类的性能。但在学习过程中，无标记数据常被错误地标记，从而给训练集引入噪声数据，并导致分类性能不稳定。针对该问题，探讨了WilsonTh数据剪辑在邻域粗糙协同分类模型中的应用。在每一次迭代学习过程中，分类器给无标记数据加上类别标记后，应用WilsonTh数据剪辑选出最大可能标记正确的样本加入训练集，分类器在扩大的训练集上再训练以获得更好的性能。UCI数据集上实验结果表明，WilsonTh数据剪辑能有效地提高加