基于顶 pertinence 属性的分类器名义概念：CNC-TP
人工智能
2026-01-06 v1
摘要
数据库中的知识发现 (KDD) 旨在挖掘来自计算机应用各领域每日产生的海量数据。其目标是通过数据选择、预处理、转换、数据挖掘和可视化等结构化步骤，从数据集中提取隐藏且有意义的知识。数据挖掘技术包括分类和聚类。分类通过基于标记数据训练的分类器来预测新实例的类别。文献中已提出多种方法，包括决策树归纳、贝叶斯分类器、最近邻搜索、神经网络、支持向量机和形式概念分析 (FCA)。其中，FCA 因其在可解释和可解释学习方面的有效性而受到认可。它基于概念格的数学结构，能够生成形式概念并发现其间的隐藏关系。本文综述了基于 FCA 的分类器的最新研究进展。我们探讨了从名义数据计算闭包算子的 various 方法，并引入一种新方法用于构建聚焦于最相关概念的部分概念格。提供了实验结果，以证明所提出方法的效率。
引用
@article{arxiv.2601.01976,
title = {CNC-TP: Classifier Nominal Concept Based on Top-Pertinent Attributes},
author = {Yasmine Souissi and Fabrice Boissier and Nida Meddouri},
journal= {arXiv preprint arXiv:2601.01976},
year = {2026}
}