代价敏感代表选举的邻域覆盖粗糙集分类方法

基于邻域的覆盖粗糙集已经被用于构建数值型数据分类器.文中将该理论应用于针对名词性数据的代价敏感分类器.首先,用对象间的相似关系确定每个对象的相似度阈值,并通过该阈值确定每个对象的邻居以及邻域;然后,通过覆盖约简算法选举出一组称为代表的对象;最后,当需要对新对象进行分类时,计算它与各代表之间的曼哈顿距离,并综合误分类代价向量制定不同分类策略,以最小化误分类代价期望值.在UCI数据库中的数据集之上与主流的代价敏感ID3和C4.5算法对比,结果表明新算法能取得更好的分类效果.