用于分类的模糊粗糙 Choquet 距离
机器学习
2025-02-18 v1 人工智能
摘要
本文引入了一种使用基于模糊粗糙集测度的新型 Choquet 距离。所提出的距离测度将来自模糊粗糙集理论的属性信息与 Choquet 积分的灵活性相结合。该方法旨在巧妙地捕捉数据中的非线性关系，考虑条件属性对决策属性的相互作用，从而得到更灵活、更准确的距离。我们探讨了其在机器学习背景下的应用，特别侧重于基于距离的分类方法（例如 k-近邻）。本文研究了两种基于正域的模糊粗糙集测度。此外，我们探讨了两种对源自模糊粗糙集理论的测度进行单调化的过程，使其适用于 Choquet 积分，并研究了它们之间的差异。
关键词
引用
@article{arxiv.2403.11843,
title = {Fuzzy Rough Choquet Distances for Classification},
author = {Adnan Theerens and Chris Cornelis},
journal= {arXiv preprint arXiv:2403.11843},
year = {2025}
}