论文部分内容阅读
将决策粗糙集与代价敏感学习相结合，提出了一种基于决策粗糙集的代价敏感分类方法。依据决策粗糙集理论和属性约简方法，对待预测样本分别计算最优测试属性集，使得样本在最优测试属性集上计算的分类结果具有最小误分类代价和测试代价，依此给出样本的最小总代价分类结果。针对全局最优测试属性集求解过程中计算复杂度高的问题，提出了局部最优测试属性集的启发式搜索算法。该算法以单个属性对降低总分类代价的贡献率为启发函数，搜索各样本的局部最优测试属性集，并输出在局部最优测试属性集上样本的代价敏感分类结果。在UCI数据上的实验分析显示