Dempster-Shafer证据理论驱动的邻域粗糙分类方法

摘要

为了进一步改进邻域分类器的分类机制,提升分类性能,提出Dempster-Shafer(D-S)证据理论驱动的邻域粗糙分类方法.首先,采用邻域决策错误率作为属性重要性的指标研究基于邻域决策错误率的属性约简方法,通过删除冗余属性,为分类学习提供重要的属性集合;其次,改变传统多数投票机制,将D-S证据理论引入邻域样本的信息融合中,提出基于D-S证据理论的邻域分类器;最后,基于UCI公共数据集的实验结果表明,所提方法相较于多数投票机制下的邻域分类器,具有更高的分类精度,为邻域分类方法的进一步研究提供了新的思路.