Về một thuật toán gia tăng tìm tập rút gọn trên bảng quyết định khi loại bỏ tập đối tượng
A Novel Incremental Algorithm for Finding the Reduct on the Decision Table when Deleting the Object Set
Abstract
Rút gọn hay lựa chọn thuộc tính (RGTT) trên các hệ thông tin quyết định từ lâu đã được coi là bài toán then chốt và không thể thiếu của các lĩnh vực về khai phá cũng như phân tích dữ liệu. Một số tiếp cận theo hướng lý thuyết tập thô cùng các mở rộng đã mang tới nhiều phương pháp RGTT đạt hiệu quả ấn tượng. Tuy nhiên, cho tới nay, một số phương pháp theo lý thuyết tập mờ trực cảm chưa thực sự được biết tới. Các phương pháp theo tiếp cận này có một điểm mạnh là khả năng nâng cao hiệu năng phân lớp trên các bảng quyết định (DT) có tính nhiễu và không nhất quán. Bài báo này xuất phát từ một độ đo khoảng cách giữa hai phân hoạch mờ trực cảm và từ đó đề xuất một thuật toán RGTT hiệu quả. Cụ thể như sau, đầu tiên, chúng tôi thiết kế một thuật toán RGTT trên DT chưa có sự biến động. Tiếp theo, chúng tôi thiết kế một thuật toán gia tăng để xử lý trên DT trong trường hợp xóa bỏ tập đối tượng. Một số kết quả trong quá trình thử nghiệm đã chứng mình rằng, các phương pháp RGTT được đề xuất của chúng tôi có hiệu năng vượt trội khi so sánh với các phương pháp dựa trên cách tiếp cận tập thô, tập mờ về kích thước tập rút gọn (TRG) và hiệu quả phân lớp.
References
X. Zhang, C. L. Mei, D. G. Chen and Y. Y. Yang, "A fuzzy rough set-based feature selection method using representative instances", Knowledge-Based Systems, vol. 151, (2018): 216- 229.
T. K. Sheeja and A. S. Kuriakose, "A novel feature selection method using fuzzy rough sets", Computers in Industry, vol. 97, (2018): 111-116.
X. Che, D. Chen and J. Mi, "Label correlation in multi-label classification using local attribute reductions with fuzzy rough sets", Fuzzy Sets and Systems, vol. 426, (2022): 121-144.
Z. Huang and J. Li, "A fitting model for attribute reduction with fuzzy - covering", Fuzzy Sets and Systems, vol. 413, (2021): 114-137.
Q. H. Hu, D. R. Yu and Z. X. Xie, "Information-preserving hybrid data reduction based on fuzzy-rough techniques", Pattern Recognition Letters, vol. 27, no. 5, (2016): 414-423.
A. Meriello and R. Battiti, "Feature Selection Based on the Neighborhood Entropy", IEEE Transactions on Neural Networks and Learning Systems, vol. 29, no. 12, (2018): 6313- 6322.
B. Sang, H. Chen, L. Yang, T. Li and W. Xu, "Incremental Feature Selection Using a Conditional Entropy Based on Fuzzy Dominance Neighborhood Rough Sets", IEEE Transactions on Fuzzy Systems, vol. 30, no. 6, (2021): 1683-1697.
Z. Yuan, H. Chen and T. Li, "Exploring interactive attribute reduction via fuzzy complementary entropy for unlabeled mixed data", Pattern Recognition, vol. 127, (2022).
C. Z. Wang, Y. Huang, M. W. Shao and X. D. Fan, "Fuzzy rough set based attribute reduction using distance measures", Knowledge-Based Systems, vol. 164, (2019): 205-212.
N. L. Giang, L. H. Son, T. T. Ngan, T. M. Tuan, H. T. Phuong et al., "Novel Incremental Algorithms for Attribute Reduction from Dynamic Decision systems using Hybrid Filter-Wrapper with Fuzzy Partition Distance", IEEE Transactions on Fuzzy Systems, vol. 28, no. 5, (2020): 858-873.
Y. M. Liu, S. Y. Zhao, H. Chen, C. P. Li and Y. M. Lu, "Fuzzy Rough Incremental Attribute Reduction Applying Dependency Measures", APWeb-WAIM 2017: Web and Big Data, vol. 10366, (2017): 484-492.
Y. Y. Yang, D. G. Chen, H. Wang, E. C. C. Tsang and D. L. Zhang, "Fuzzy rough set based incremental attribute reduction from dynamic data with sample arriving", Fuzzy Sets and Systems, vol. 312, (2017): 66-86.
Y. Y. Yang, D. G. Chen, H. Wang and X. H. Wang, "Incremental perspective for feature selection based on fuzzy rough sets", IEEE Transactions on Fuzzy Systems, vol. 26, no. 3, (2017): 1257-1273.
X. Zhang, C. L. Mei, D. G. Chen, Y. Y. Yang and J. H. Li, "Active Incremental Feature Selection Using a Fuzzy-RoughSet-Based Information Entropy", IEEE Transactions on Fuzzy Systems, vol. 28, no. 5, (2020): 901- 915.
P. Ni, S. Y. Zhao, X. H. Wang, H. Chen, C. P. Li and E. C. C. Tsang, "Incremental Feature Selection Based on Fuzzy Rough Sets", Information Sciences, vol. 536, (2020): 185-204.
N. L. Giang, L. H. Son, N. A. Tuan, T. T. Ngan, N. N. Son et al., "Filter-Wrapper Incremental Algorithms for Finding Reduct in Incomplete Decision Systems When Adding and Deleting an Attribute Set", International Journal of Data Warehousing and Mining, vol. 17, no. 2, (2021): 39-62.
N. T. Thang, N. L. Giang, H. V. Long, N. A. Tuan, T. M Tuan et al., "Efficient Algorithms for Dynamic Incomplete Decision Systems", International Journal of Data Warehousing and Mining, vol. 17, no. 3, (2021): 44-67.
W. L. Hung and M. S. Yang, "Similarity measures of intuitionistic fuzzy sets based on Lp metric", International Journal of Approximate Reasoning: Official Publication of the North American Fuzzy Information Processing Society, vol. 46, no. 1, (2007): 120–136.
B. Huang, C. X. Guo, Y. L. Zhuang, H. X. Li and X. Z. Zhou, "Intuitionistic fuzzy multigranulation rough sets", Information Sciences, vol. 277, (2014): 299-320.
N. T. Thang, N.L. Giang, T. T. Dai, T. T. Tuan, N. Q. Huy et al., "A Novel Filter-Wrapper Algorithm on Intuitionistic Fuzzy Set for Attribute Reduction from Decision Tables", International Journal of Data Warehousing and Mining, vol 17, no. 4, (2021): 67-100.
K. T. Atanassov, "Intuitionistic fuzzy sets. Fuzzy Sets and Systems", An International Journal in Information Science and Engineering, vol. 20, no. 1, (1986): 87–96.
I. Iancu, "Intuitionistic fuzzy similarity measures based on Frank t-norms family", Pattern Recognition Letters, vol. 42, (2014): 128–136.
W. Shu, W. Qian and Y. Xie, "Incremental approaches for feature selection from dynamic data with the variation of multiple objects", Knowledge-Based Systems, vol. 163, (2019): 320-331.
UCI Machine learning repository, “Data,” 2021. [Online]. Available:https://archive.ics.uci.edu/ml/index.
