维度灾难是机器学习和数据挖掘技术常见的挑战之一,属性约简作为特征选择的一种技术,尽可能选择一个最小的属性子集来精确的描述学习数据。现存的属性约简算法存在的问题可以总结如下:(1)属性约简算法往往选择出的局部最优解是不稳定的,这种不稳定往往会带来歧义;(2)属性准则的评价机制目前还不够完善;(3)数据的内在结构以及属性与标签之间的联系研究还不够充分。鉴于此,本文分别从集成属性重要度方法、多准则策略、基于局部视角的属性评价机制来优化属性约简算法。本文的研究内容和创新性成果主要在于:(1)首先提出了一种基于集成属性重要度的启发式算法框架。利用邻域粗糙集方法,实验结果表明,该集成算法不仅能够获取更加稳定的约简,而且比传统算法时间消耗要低;(2)借助集成学习中的联合分布矩阵,设计出新的属性评价准则分类一致性。进一步地,提出了将分类一致性与分类精度的调和平均作为新的属性准则评价机制。实验结果表明,基于多准则的属性约简方法在求解属性子集时,保证追求提升分类不一致性的同时,也不会降低分类性能,更重要的是,考虑多准则的属性约简可以提升约简结果的稳定性能;(3)提出了一种局部视角的代价敏感属性约简方法。它充分考虑每一个对象的决策代价的变化而不是区域上决策代价的变化。进一步地,基于局部视角的决策代价的属性评价机制被应用到启发式算法来求解约简。实验结果显示,基于局部视角的属性约简算法可以得到的更低的决策代价,这说明新算法可以选择出更优的属性子集。