模糊粒球扩展粗糙集模型

保边界高精度约简

通过保留类别边界的模糊粒球，既弥补了传统粒球粗糙集的缺陷，又实现了更高的分类精度。

纪霞 · JianHua, Peng · 赵鹏 · 姚晟

Information Sciences 2023

参数信息

平均分类精度提升

5 %

最高分类精度提升

20 %

技术优势

保边界

通过放宽粒球生成条件定义模糊粒球，保留类别边界的模糊粒球，从而最大限度地保留类边界信息。

精度更高

在KNN分类器上，FGBERS算法的分类精度平均提高5%，在高维数据集ALLAML上最高提升20%。

数据集兼容

克服了GBNRS在某些数据集上无法实现约简的缺陷，能够在大规模和高维数据集上实现有效约简。

应用场景

• 数据预处理：作为预处理步骤，去除冗余和干扰特征，提高后续模型性能。
• 特征选择：直接输出特征子集，替代手动筛选，缩短特征工程周期。
• 模式识别：降维后保留关键判别信息，提升分类器在模式识别任务中的准确率。
• 工业数据分析：处理工业高维数据，提取关键变量以简化模型并提高可解释性。