具有正态分布测量误差数据的测试代价敏感属性约简

具有正态分布的测量误差在应用中普遍存在。通常，较小的测量误差需要更好的仪器和更高的测试成本。在基于对象属性值的决策中，我们应选择具有适当测量误差的属性子集以最小化总测试成本。最近，提出了基于均匀分布误差的误差范围覆盖粗糙集来研究这一问题。然而，对于大多数应用而言，测量误差满足正态分布而非均匀分布，后者过于简单。本文我们将正态分布测量误差引入覆盖粗糙集模型，并在此新模型中处理测试代价敏感属性约简问题。本文的主要贡献有四点。第一，我们基于正态分布测量误差构建了一个新的数据模型。在新数据模型中，误差范围在二维空间中是一个椭圆。第二，通过“3-西格玛”规则构建了具有正态分布测量误差的覆盖粗糙集。第三，在此覆盖粗糙集上重新定义了测试代价敏感属性约简问题。第四，提出了一种启发式算法来处理该问题。该算法在十个UCI（加州大学欧文分校）数据集上进行了测试。实验结果表明，该算法比现有算法更有效、更高效。本研究是向代价敏感学习的实际应用迈出的一步。