涵盖了用于数据缩小的辅助直觉模糊双选择技术及其应用

科学领域:

• 数据科学数据科学数据科学
• 机器学习 机器学习
• 计算智能是一种计算智能.

背景情况:

• 数据的快速增长带来了诸如模糊性,不确定性,冗余性,无关紧要性和噪音等挑战.
• 现有的数据缩小技术难以同时解决所有这些问题.
• 直觉模糊 (IF) 和粗略设置为处理不确定性和模糊性提供了潜力.

研究的目的:

• 开发一种统一的数据减少技术,同时解决模糊性,不确定性,冗余性,无关性和噪音问题.
• 提出一种用于高维数据集中的同时实例和特征选择的新方法.
• 为了提高特定应用的回归性能,如抗病毒IC50预测.

主要方法:

• 开发一种新的直觉模糊 (IF) 相似关系.
• 建立基于新型相似关系的IF粗略模型.
• 用相似关系和较低的近似来呈现IF颗粒结构.
• 利用IF颗粒的重要性,以消除冗余的尺寸和减少维度.
• 提出的概念和定理的数学验证.

主要成果:

• 提出了一个全面的框架,用于同时选择实例和特征.
• 该方法有效地消除了数据维度和大小的冗余和无关.
• 模糊性由粗略的集合管理,不确定性由IF集合管理,噪音由IF颗粒结构管理.
• 对基准数据集的实验验证证明了拟议的选择方法的有效性.

结论:

• 拟议的IF基于粗略集的方法为复杂的数据减少挑战提供了可靠的解决方案.
• 同时的特征和实例选择显著提高了机器学习的数据质量.
• 该框架增强了回归性能,显示了药物发现应用的前景 (例如,抗病毒IC50).