论文部分内容阅读
为了提高分类的精确度，提出一种基于粗糙集理论的增强学习型分类器。采用分割算法对训练数据集中连续的属性进行离散处理；利用粗糙集理论获取约简集，从中选择一个能提供最高分类精确度的约简。对于不同的测试数据，由于离散属性值的变化，相同的约简可能达不到最高的分类精确度。为克服此问题，改进了Q学习算法，使其全面系统地解决离散化和特征选择问题，因此不同的属性可以学习到最佳的分割值，使相应的约简产生最大分类精确度。实验结果表明．该分类器能达到98％的精确度．与其它分类器相比．表现出较好的性能。