基于三重模糊多邻域粒化的三种改进不确定性度量的相关性增强特征选择方法

《IEEE Transactions on Fuzzy Systems》：Relevancy-Reinforced Feature Selections Using Three-Improved Uncertainty Measures Based on Three-Way Fuzzy Multi-Neighborhood Granulations

特征选择通过改进模糊多邻域粒化和六种增强信息度量解决传统方法的相关性不足问题，构建三向决策模型和18种算法扩展。

　　

摘要：

特征选择有助于数据学习，它们利用不确定性度量来处理知识的粒度划分。针对特征分布和多重相关性，最近提出了一种基于模糊多邻域（FmN）粒度的特征选择算法及其相应的信息度量方法，该方法称为ICFS_FmNRS，强调了特征选择的交互性和互补性。然而，ICFS_FmNRS缺乏主流的合理性评估标准，因此容易遇到特征分割、选择效果减弱以及学习效率低下等问题；此外，现有的FmN方法通常采用悲观的处理方式来描述极端情况，相应的度量方法也较为简单化。因此，我们建立了扩展的三重FmN粒度划分和综合的改进型不确定性度量方法，从而获得了更具合理性的特征选择算法。本研究较好地解决了数据分布特性和特征多重相关性选择的基本问题。1) 将现有的FmN方法扩展为包含悲观、乐观和折中三种情况的三种FmN模型，并引入了三重FmN粗糙集来表示特征之间的依赖关系。2) 构建了三种改进型度量方法以增强特征的合理性。具体而言，通过完善粒度间的交互性和基数计算，将模糊多粒度互信息度量（FmIs）更新为改进型FmIs（IFmIs）；通过添加依赖关系以及采用顶层融合和类层次融合方法，进一步改进了FmIs和IFmIs，从而实现了两次优化。这三种改进共同构成了一个系统化的度量体系，其表达式为2×(1+1+1)=6。3) 对于这六种条件类型的度量方法，通过信息升级和代数信息融合手段增强了它们的合理性，从而更好地支持启发式特征选择算法。通过将三维FmN粒度划分与六种条件度量方法进行二维结合，3×6=18算法系统地扩展和优化了ICFS_FmNRS。4)...

显示更多