基于不一致近邻的模糊粗糙集特征选择

作者：赵洁; 叶文浩; 梁周扬; 陈建新; 董振宁

来源：计算机工程, 2023, 1-12.

DOI：10.19678/j.issn.1000-3428.0066458

• 模糊粗糙集
• 特征选择
• 水平截集
• 不一致近邻
• 属性重要度

模糊粗糙集可突破经典粗糙集仅能处理离散数据的局限，有效对连续型数值进行特征选择。然而，模糊粗糙集以对象为中心计算，时间复杂度高，难以处理高维和大规模数据。针对此，基于水平截集，提出一种不一致近邻加速策略。首先，该策略跟踪论域中每一对象的模糊近邻集，持续删减其中不影响计算的近邻；其次，若对象的不一致近邻删减至空，则删减该对象，该策略提高算法效率；同时，设计一种基于不一致近邻递减的属性重要度，可有效抑制冗余特征入选，可提升效率及分类精度。通过理论证明，所提出的加速策略及属性重要度，不影响属性入选的次序。基于上述分析，提出新的模糊粗糙集特征选择算法。通过9个UCI和scikit数据集进行验证，结果表明，所提出的算法效率优于现有代表性算法，不仅有效减少运行时间，并可取得较高的分类精度。相较对比算法，至少可减少9.44% 的运行时间，尤其在高维和大规模数据上，可减少61.01% ～ 99.54%的运行时间，在SVM和KNN的分类精度上最高分别提升11.20%和19.95%。

• 单位
  广东工业大学