Resumen

La teoría de conjuntos aproximados se ha aplicado con éxito en muchos campos, como la minería de datos, el reconocimiento de patrones y el aprendizaje automático. Los conjuntos aproximados nucleares y los conjuntos aproximados de vecindario son dos modelos importantes que difieren en cuanto a la granulación. El modelo de conjuntos aproximados nucleares, que tiene borrosidad, es susceptible al ruido en el sistema de decisión. El modelo de conjuntos aproximados de vecindario puede manejar bien los datos ruidosos pero no puede describir la borrosidad de las muestras. En este estudio, definimos un modelo novedoso llamado conjuntos aproximados de vecindario nucleares, que integra las ventajas de los modelos de vecindario y nucleares. Además, el modelo se utiliza en el problema de selección de características. El método propuesto se prueba en los conjuntos de datos de UCI. Los resultados muestran que nuestro modelo supera a los modelos clásicos.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Teoría de conjuntos aproximados; Minería de datos; Reconocimiento de patrones; Aprendizaje automático; Conjuntos aproximados de núcleo; Conjuntos aproximados de vecindario
• Keywords:Rough set theory; Data mining; Pattern recognition; Machine learning; Kernel rough sets; Neighborhood rough sets