Indexed by：
Abstract：
为了提高分类的精确度,提出一种基于粗糙集理论的增强学习型分类器.采用分割算法对训练数据集中连续的属性进行离散处理;利用粗糙集理论获取约简集,从中选择一个能提供最高分类精确度的约简.对于不同的测试数据,由于离散属性值的变化,相同的约简可能达不到最高的分类精确度.为克服此问题,改进了Q学习算法,使其全面系统地解决离散化和特征选择问题,因此不同的属性可以学习到最佳的分割值,使相应的约简产生最大分类精确度.实验结果表明,该分类器能达到98％的精确度,与其它分类器相比,表现出较好的性能.
Keyword：
Reprint Author's Address：
Email：
Source ：
盐城工学院学报（自然科学版）
ISSN： 1671-5322
Year： 2014
Issue： 4
Volume： 27
Page： 47-54
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： 1
Chinese Cited Count：
30 Days PV： 3
Affiliated Colleges：
