不完全模式分类的缺失值自适应填补
人工智能
2016-02-09 v1
摘要
在不完全模式分类中，根据上下文，缺失值可能在类别判定中起关键作用，或对分类结果影响很小（或最终无影响）。我们提出一种基于信念函数理论、具有缺失值自适应填补的可信分类方法。首先，我们仅基于可用属性值尝试对对象（不完全模式）进行分类。作为基本原理，我们假设如果仅使用可用信息就能找到该对象的特定类别，则缺失信息对分类并不关键。此时，该对象被归属于该特定类。然而，如果对象无法无歧义地分类，则意味着缺失值对实现准确分类起主要作用。此时，将基于K近邻（K-NN）和自组织映射（SOM）技术填补缺失值，然后对填补后的模式进行分类。该（原始或编辑后）模式分别根据每个训练类分类，由基本信念指派表示的分类结果通过适当的组合规则融合以进行可信分类。允许该对象以不同信念质量属于特定类和元类（元类是若干单类的特定析取）。可信分类很好地捕获了分类的不确定性和不精确性，并通过引入元类有效降低了误分类率。基于使用人工和真实数据集的若干实验，证明了所提方法相对于其他经典方法的有效性。
引用
@article{arxiv.1602.02617,
title = {Adaptive imputation of missing values for incomplete pattern classification},
author = {Zhun-Ga Liu and Quan Pan and Jean Dezert and Arnaud Martin},
journal= {arXiv preprint arXiv:1602.02617},
year = {2016}
}