基于邻域粗糙集的增量学习算法研究及其在客户分类上的应用

摘要

近几年来，随着科学技术的迅猛发展，人们获取数据的能力也迅速提高，社会各部门时刻产生大量数据，如何从这些新增数据中提炼有用信息并对数据进行分析和处理是一个难题。传统的机器学习属于静态学习，即在学习前，必须将所有的数据准备好，而这种要求在现实生活中是不能满足的，但增量学习机制能够有效解决这个难题。因此，研究有效的增量学习机制和算法，实现对数据的动态处理，具有十分重要的理论意义。
　　胡清华教授提出的邻域分类器是一种简单、有效的分类方法，但它属于非增量的分类器，不能有效处理增量数据，从而限制了它在一些领域的应用。本文分析发现邻域分类器的两点不足:一方面，属性约简是分类过程中的一个重要环节，一般的增量式属性约简算法只能处理增加属性或增加样本的一种情况，没有综合考虑这两种情况;另一方面，分类器的性能依赖于训练样本所包含的信息，因此在训练分类器时，希望训练样本越多越好，但是庞大的训练样本也带来了不便之处:降低了分类器的分类效率。针对以上两方面，主要创新点有:
　　(1)提出了邻域系统的相对正域概念，通过这个概念可以描述不同邻域系统之间的粗细关系。在分类问题中，一个属性诱导论域上的邻域系统越细，用于观测分类问题的粒度越细，那么对分类的描述就越准确，即一个属性诱导论域上的邻域系统越细代表该属性的分类能力越强。
　　(2)提出了一种基于改进的相对正域的增量式属性约简算法。该算法可以处理属性和样本都增加的信息系统:当新增属性时，通过邻域系统的相对正域概念，实现对原属性约简集的快速更新。当新增样本时，主要研究了新增样本与原约简集完全矛盾的情况，通过找到能够正确区分新增样本和矛盾样本的属性，把问题转化为新增属性的情况，这样既保证得到的新属性约简集没有冗余属性，又实现了把两种情况的处理方法结合起来的目的。
　　(3)针对邻域分类器分类效率低的问题，提出了一种基于邻域粗糙集的样本约减算法:以每个训练样本为圆心，定义邻域半径为样本间相似性度量的阈值，向外扩展一个区域，使这个区域覆盖最多的同类点，而不覆盖任何异类点，然后选择覆盖最多点的区域，并把中心样本保存下来，删除其它样本。这样就可以达到约减样本集的效果，同时提高分类样本的效率。
　　(4)将基于邻域粗糙集的增量学习算法应用在客户分类上。客户分类就是运用各种技术方法对客户的信息进行分析和挖掘，以实现对客户的准确分类，并预测客户的消费倾向。本文主要考虑在增量情况下，利用基于邻域粗糙集的增量学习算法实现对新增客户的正确分类，实验结果表明，该算法有效地提高了客户分类的效率，具有一定的实际意义。

目录

声明

论文说明

摘要

图目录

表目录

符号索引

第1章 绪论

1．1 论文的选题背景及意义

1．2 相关研究综述

1．2．1 基于粗糙集的增量学习研究综述

1．2．2 客户分类研究综述

1．3 论文的研究内容和组织结构

1．3．1 论文的研究内容

1．3．2 论文的组织结构

第2章 邻域粗糙集模型的理论基础

2．1 粗糙集模型

2．1．1 信息表知识表达系统

2．1．2 基本概念

2．2 邻域粗糙集模型

2．2．1 基于邻域的粒化

2．2．2 基于邻域的逼近

2．2．3 邻域决策系统

2．3 粗糙集与邻域粗糙集的对比

第3章 基于邻域粗糙集的增量式属性约简算法

3．1 基于邻域粗糙集的属性约简算法

3．1．1 基本概念

3．1．2 算法原理

3．2 基于改进的相对正域的增量式属性约简算法

3．2．1 增加属性时的约简规律

3．2．2 增加样本时的约简规律

3．2．3 IARKPR算法的设计与测试

第4章 基于邻域粗糙集的样本约减算法

4．1 邻域分类器

4．1．1 基本原理

4．1．2 邻域分类器算法设计与测试

4．2 样本约减算法

4．2．1 基本原理

4．2．2 基于邻域粗糙集的样本约减算法设计与测试

第5章 基于邻域粗糙集的增量学习算法在客户分类上的应用

5．1 客户资料分析

5．2 基于经典粗糙集的客户分类

5．3 基于邻域粗糙集的客户分类

5．4 基于邻域粗糙集的增量学习算法在客户分类上的应用

第6章 总结

6．1 论文完成的工作

6．2 论文进一步的研究方向

参考文献

致谢

攻读硕士学位期间发表的论文

附录