[发明专利]一种基于特定类的多目标代价敏感属性约简算法

说明书

本发明涉及属性约简算法技术领域，具体涉及一种基于特定类的多目标代价敏感属性约简算法。本发明包括以下步骤：S1：基于决策粗糙集建立不完备混合型决策信息系统的决策粗糙集模型；S2：基于特定决策类分析出不完备混合型决策信息系统的决策代价；S3：基于最小化测试代价的属性约简建立不完备混合型测试代价决策信息系统；S4：基于不完备混合型测试代价决策信息系统分析出综合代价，综合代价包括决策代价、测试代价；S5：不完备混合型决策信息系统的决策粗糙集模型基于综合代价将得到特定类的多目标代价敏感属性约简。本发明算法的属性约简结果能够使决策代价和测试代价综合最小，并且不同类别有着不同的属性约简，更加符合实际的应用。

技术领域

本发明涉及属性约简算法技术领域，具体涉及一种基于特定类的多目标代价敏感属性约简算法。

背景技术

决策粗糙集是在传统粗糙集理论上的重要推广，目前决策粗糙集已成果应用于数据分类、数据聚类、图像处理以及模式识别等领域。属性约简是粗糙集理论的核心研究内容，针对决策粗糙集的属性约简问题，目前学者们进行了广泛深入地研究。现有技术中，有学者基于保持决策正区域提出了决策粗糙集的正区域属性约简算法，有学者在决策粗糙集中提出了最大决策熵的属性约简。在另一方面，基于代价敏感的角度，其他学者在决策粗糙集中提出了最小决策代价属性约简。杨志荣等学者基于多代价的策略在决策粗糙集模型上提出了一种改进的最小代价属性约简。陈婉清等学者联合决策代价和分类质量，在决策粗糙集下提出了一种新的属性约简。总之可以看出基于决策代价的属性约简是目前决策粗糙集的研究热点。

然而实际应用中的环境是复杂多样的，首先很多信息系统都是不完备混合型的，即数值型属性和符号型属性并存，然后在某些情形下，我们只需要关注信息系统中某个类或者某几个类，并且在进行最小化决策代价属性约简的同时，可能也希望约简结果的测试代价尽量小。例如在医疗诊断信息系统中，我们往往都是只关注患病的样本病例，然后选择决策代价小的病理指标使得降低误诊的风险，但是某些指标的采集会产生高昂的费用，这时就需要将测试代价考虑进来，因此针对信息系统的特定类别，同时考虑决策代价和测试代价具有很高的现实意义。

发明内容

本发明针对现有技术中存在的不足，提出了一种针对信息系统的特定类别，同时考虑决策代价和测试代价的基于特定类的多目标代价敏感属性约简算法。

本发明为实现上述发明目的，采取的技术方案如下：

一种基于特定类的多目标代价敏感属性约简算法，包括以下步骤：

S1：基于决策粗糙集建立不完备混合型决策信息系统的决策粗糙集模型；

S2：基于特定决策类分析出不完备混合型决策信息系统的决策代价；

S3：基于最小化测试代价的属性约简建立不完备混合型测试代价决策信息系统；

S4：基于不完备混合型测试代价决策信息系统分析出综合代价，所述综合代价包括决策代价、测试代价；

S5：所述不完备混合型决策信息系统的决策粗糙集模型基于综合代价将得到特定类的多目标代价敏感属性约简。

作为本发明的优选技术方案：所述步骤S1的具体步骤如下：

S1.1：设不完备混合型决策信息系统S＝(U,AT＝C∪D)，邻域半径为δ，属性子集确定的邻域容差关系为

S1.2：对于属性子集关于邻域容差关系的不完备混合决策粗糙集的下近似和上近似分别定义为

公式(1)、(2)中分别为不完备混合决策粗糙集的下近似和上近似；

S1.3：对象集关于邻域容差关系的决策粗糙集正区域、边界域和负区域分别定义为