基于基因表达式编程和神经网络的属性约简分类算法

摘要

分类（Classification）是数据挖掘（Data Mining）中的一个重要研究方向，目前传统的方法有：神经网络， Fisher 判别法等。神经网络缺乏对分类结果的直观解释；Fisher 判别对于大数据集分类准确率大大下降，且不具有属性约简能力。为此，本文做了如下工作： (1) 提出了自动获取最佳阈值的思想;(2)对于错分的实例，提出了运用神经网络分类器二次分类的思想; (3) 提出了基于基因表达式编程和神经网络的属性约简分类算法(Attribution Reduction ClassificationAlgorithms Based on GEP and Neural Network ，ARCA-GEPNN) ;(4)实验表明，ARCA-GEPNN 的分类精度比 Fisher 判别提高了约 25％，比 GEP 提高了约 21﹪。