Về một thuật toán lai ghép lọc-đóng gói lựa chọn thuộc tính trên hệ thông tin quyết định theo tiếp cận tập thô lân cận mờ

Tóm tắt

Lý thuyết tập thô lân cận là công cụ hữu hiệu giúp giải quyết rất tốt bài toán lựa chọn thuộc tính trên các hệ
thông tin có miền giá trị số liên tục. Tuy nhiên, mô hình này còn gặp nhiều hạn chế trong việc mô tả mối quan hệ từ
các đối tượng trong cùng một lớp lân cận. Điều này dẫn tới sự kém hiệu quả về một số độ đo khi chỉ xét tới các lớp lân
cận nằm hoàn toàn trong một phân lớp. Rõ ràng, việc bỏ qua những lớp lân cận còn lại sẽ có những ảnh hưởng rất lớn
tới hiệu quả, mặc dù chúng vẫn tồn tại những ý nghĩa về mặt thông tin cũng như đóng góp giá trị vào các độ đo. Để giải
quyết những khó khăn này, nghiên cứu ban đầu sẽ trình bày về một mở rộng mới được gọi là tập thô lân cận mờ. Mô
hình này hiệu quả trong việc giảm thiểu nhiễu và rút gọn không gian tính toán. Bên cạnh đó, mô hình này cũng mô tả
đầy đủ đặc trưng mức độ thuộc của các đối tượng trong một lớp lân cận. Dựa trên những ưu điểm của mô hình, nghiên
cứu đề xuất một độ đo mới nhằm đánh giá khả năng phân lớp của các hạt thông tin lân cận mờ. Qua đó, những phân
tích và chứng minh tính hiệu quả từ độ đo trong việc đánh giá ý nghĩa của các thuộc tính trong hệ thông tin nhất quán
và không nhất quán sẽ được làm rõ. Tiếp theo, chúng tôi sẽ định nghĩa lại một rút gọn mới để thiết kế một thuật toán
theo hướng tiếp cận lọc-đóng gói nhằm trích chọn một tập con thuộc tính tối ưu trên hệ thông tin quyết định. Một số kết
quả thực nghiệm đã chứng minh hiệu quả của thuật toán đề xuất so với một số thuật toán theo tiếp cận tập thô mờ.