A unified incremental reduction with the variations of the object for decision tables

Yang, Chuanjian; Ge, Hao; Long-shu, LI; Ding, Jian

doi:10.1007/s00500-018-3296-5

Cited by 8 publications

(2 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Các thuật toán gia tăng có khả năng giảm thiểu thời gian thực hiện và có khả năng thực hiện trên các bảng quyết định không đầy đủ kích thước lớn bằng giải pháp chia nhỏ bảng quyết định. Theo tiếp cận tập thô truyền thống, các nghiên cứu liên quan đến các phương pháp gia tăng tìm tập rút gọn trong bảng quyết định thay đổi khá sôi động và tập trung vào các trường hợp: bổ sung/loại bỏ tập đối tượng [5][6][7][8][9][10], bổ sung/loại bỏ tập thuộc tính [11,12], tập đối tượng hay tập thuộc tính thay đổi giá trị [13][14][15].…”

Section: Giới Thiệuunclassified

Về một thuật toán gia tăng tìm tập rút gọn của bảng quyết định không đầy đủ

Giang¹,

Hà²,

Thiện³

et al. 2019

Res. Dev. Info. Commun. Tech. J.

View full text Add to dashboard Cite

Mô hình tập thô dung sai là công cụ hiệu quả giải quyết bài toán rút gọn thuộc tính trên bảng quyết định không đầy đủ. Trong mấy năm gần đây, các nhà nghiên cứu đã đề xuất một số thuật toán gia tăng tìm tập rút gọn theo tiếp cận tập thô dung sai nhằm giảm thiểu thời gian thực hiện. Tuy nhiên, các thuật toán đề xuất đều theo hướng tiếp cận lọc truyền thống, nghĩa là bước kiểm tra độ chính xác phân lớp độc lập với bước tìm tập rút gọn. Do đó, tập rút gọn tìm được chưa tối ưu cả về số lượng thuộc tính và độ chính xác phân lớp. Trong bài báo này, chúng tôi đề xuất thuật toán gia tăng IDS_IFW_AO tìm tập rút gọn theo tiếp cận lai ghép lọc – đóng gói sử dụng độ đo khoảng cách. Kết quả thử nghiệm trên các tập dữ liệu mẫu cho thấy, thuật toán lai IDS_IFW_AO hiệu quả hơn thuật toán lọc IARM-I về độ chính xác phân lớp và số thuộc tính tập rút gọn.

show abstract

Section: Giới Thiệuunclassified

Về một thuật toán gia tăng tìm tập rút gọn của bảng quyết định không đầy đủ

Giang¹,

Hà²,

Thiện³

et al. 2019

Res. Dev. Info. Commun. Tech. J.

View full text Add to dashboard Cite

show abstract

“…Incremental attribute reduction method by constructing three new types of discernibility matrices is proposed in [22]. The work [23] presents a unified incremental reduction algorithm for three types of dynamic objects based on discernibility matrix. In [24] an incremental attribute reduction algorithm, named IARAIV is proposed.…”

Section: Introductionmentioning

confidence: 99%

Incremental Attribute Reduction Method Based on Chi-Square Statistics and Information Entropy

Yan

et al. 2020

IEEE Access

View full text Add to dashboard Cite

Attributes in datasets are usually not equally significant. Some attributes are unnecessary or redundant. Attribute reduction is an important research issue of rough set theory, which can find minimum subsets of attributes with the same classification effect as the whole dataset by removing unnecessary or redundant attributes. We use Chi-square statistics to evaluate the significance of condition attributes. It can reduce the search space of attribute reduction and improve the speed of attribute reduction. Conditional entropy of relative attributes is adopted as a heuristic function. Two decision table reduction algorithms, forward selection and backward deletion, are proposed to approach the optimal solution. Based on this, an efficient incremental attribute reduction method for dynamically changing datasets is proposed by preserving intermediate variables. The intermediate variable is the observation frequency matrix of joint events of each condition attribute and decision attribute. Experimental results show that the proposed algorithms can improve performance in terms of processing time.

show abstract