Resumen

La extracción de conocimiento útil a partir de datos de alta dimensionalidad es un tema de investigación candente. La clasificación eficiente y efectiva de muestras y la selección de características son tareas desafiantes debido a la alta dimensionalidad y al pequeño tamaño de muestra de los datos de microarreglos. La selección de características es necesaria en el proceso de construcción del modelo para reducir el consumo de tiempo y espacio. Por lo tanto, se propone un modelo de selección de características basado en conocimiento previo y conjunto áspero. El conocimiento de la vía se utiliza para seleccionar subconjuntos de características, y luego se utiliza el conjunto áspero basado en vecindario de intersección para seleccionar características importantes en cada subconjunto, ya que puede seleccionar características sin redundancia y tratar directamente con características numéricas. Para mejorar la diversidad entre los clasificadores base y la eficiencia de la clasificación, es necesario seleccionar parte de los clasificadores base. Los clasificadores se agrupan en varios grupos mediante el agrupamiento k-means utilizando la distancia de combinación propuesta de diversidad

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Minería; Conocimiento; Selección de características; Modelo; Clasificadores base; Modelo de conjunto
• Keywords:Mining; Knowledge; Feature selection; Model; Base classifiers; Ensemble model