Resumen

La ponderación de las características del conocimiento desempeña un papel extremadamente importante en la clasificación eficaz y precisa del conocimiento. La mayoría de los métodos de ponderación de características existentes dependen siempre en gran medida del conocimiento a priori de los expertos, mientras que el método de ponderación del conjunto aproximado no depende del conocimiento a priori de los expertos y puede satisfacer la necesidad de objetividad. Sin embargo, los actuales métodos de ponderación de conjuntos aproximados no pueden obtener un conjunto de características redundante y equilibrado. Demasiada redundancia podría causar inexactitud, y menos redundancia podría causar ineficacia. En este artículo, se propone un nuevo método basado en las teorías de conjuntos rugosos y de granulación del conocimiento para determinar el peso de las características. Los resultados experimentales en varios conjuntos de datos de la UCI demuestran que el método de ponderación puede evitar eficazmente la arbitrariedad subjetiva y evitar tomar las características no redundantes como características redundantes.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:métodos de ponderación de conjuntos, necesidad de objetividad, conjunto de características redundantes, varios datos uci, teoría de la granulación del conocimiento, conocimiento, conjunto de datos uci, ponderación de conjuntos aproximados, papel importante, nuevos métodos
• Keywords:set weighting methods, need of objectivity, redundant characteristics set, several uci data, knowledge granulation theory, knowledge, uci data set, rough set weighting, important role, new methods