论文部分内容阅读
深入研究了基于β边界阈值选取的变精度粗糙集分类问题，提出β边界阈值选取新方法。由于以往变精度阈值β人为设定，面对复杂多变的多种类型的大数据集，其应用范围有限。因此提出平均包含度的概念，将平均包含度作为选取上下近似集的阈值，能够根据不同类型的数据集生成最优变精度阈值，将边界域中信息量较大的条件属性归入正域。实验结果表明，改进后的算法下近似集增加，上近似集减小，边界区域减小。在不增加额外训练时间的前提下，与传统可变精度粗糙集（VariablePrecisionRoughSet，VPRS）相比，分类精度明显提高