代表选举分类综述

作者：王轩^*; 顾峰^*; 孙远秋^*; 王水仙^*; 龚涛^*; 冉志成^*

来源：中国科技信息, 2020, (18): 88-89.

• 标签预测
• 集成学习
• 数据集
• 相似度计算
• 分类算法
• 算法分类
• 分类精度
• 交叉验证
• 代价敏感
• 分类综述

<正>本文针对基于代表的邻域覆盖粗糙集分类算法的研究工作,进行了梳理、归纳和总结。在机器学习中的基于代表的分类领域起到推动作用。如付诸现实将有助于降低分类的误分类代价、以及分类成本、提高分类精度,有助于算法的研究进展。随着机器学习和大数据研究的进步与发展,分类问题作为其重要研究课题之一,也取得了极大的成功。2015年张等在邻域覆盖粗糙集的基础上,提出基于代表的邻域覆盖粗糙集分类算法(Representative-based classification through covering-based neighborhood rough sets RC-CNRS)。RC-CNRS算法实现了覆盖粗糙集在

• 单位
  经济管理学院; 西南石油大学