Resumen

La reducción de atributos es vista como un tipo de paso de preprocesamiento para reducir la alta dimensionalidad en la minería de datos de todos los sistemas complejos. Un gran número de investigadores han propuesto varios enfoques para reducir atributos o seleccionar características clave en la evaluación de la toma de decisiones multicriterio. En la práctica, los enfoques existentes para la reducción de atributos se han centrado en mejorar la precisión de la clasificación o en ahorrar el costo del tiempo computacional, sin considerar la influencia de los resultados de la reducción en el conjunto de datos original. Para ayudar a abordar esta brecha, desarrollamos un enfoque avanzado novedoso de reducción de atributos que combina el análisis de correlación de Pearson con la discriminación de significancia de prueba para la selección e identificación de características clave relacionadas con el conjunto de datos original. El modelo propuesto ha sido verificado utilizando los datos de evaluación de capacidad de financiamiento de 713 pequeñas empresas de un banco comercial de una ciudad en China. Y los resultados experimentales muestran que el modelo de reducción prop

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Reducción de atributos; Pasos de preprocesamiento; Minería de datos; Características clave; Toma de decisiones multicriterio; Análisis de correlación de Pearson
• Keywords:Attribute reduction; Preprocessing steps; Data mining; Key features; Multicriteria decision making; Pearson correlation analysis