Resumen

La selección de características es un proceso esencial en aplicaciones de minería de datos ya que reduce la complejidad de los modelos. Sin embargo, la selección de características con varios tipos de costos sigue siendo un tema de investigación nuevo. En este artículo, estudiamos el problema de selección de características sensible al costo de datos numéricos con errores de medición. Las principales contribuciones de este artículo son cuatro. Primero, se construye un nuevo modelo de datos para abordar los costos de prueba y los costos de clasificación errónea, así como los límites de error. Se distingue de los modelos existentes principalmente en los límites de error. Segundo, se construye un modelo de conjunto áspero basado en coberturas con errores de medición de distribución normal. Con este modelo, las coberturas se construyen a partir de datos en lugar de ser asignadas por los usuarios. Tercero, se define un nuevo problema de selección de características sensible al costo en este modelo. Es más realista que los problemas de selección de características existentes. Cuarto, se proponen tanto algoritmos de retroceso como heurísticos para

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Selección de características; Aplicaciones de minería de datos; Sensible al costo; Datos numéricos; Errores de medición; Algoritmo de retroceso
• Keywords:Feature selection; Data mining applications; Cost-sensitive; Numeric data; Measurement errors; Backtracking algorithm