论文部分内容阅读
结合邻域粗糙集和协同学习理论构建的邻域粗糙协同分类模型可以处理连续型数据并可有效利用无标记数据提高分类的性能.在迭代学习过程中,分类器给无标记数据加上类别标记以扩大训练集使分类器再训练能获得更好的性能.然而无标记样本常被错误地标记而给训练集引入噪声样本,导致分类性能不稳定.针对该问题,本文探讨了WilsonTh 数据剪辑在邻域粗糙协同分类模型中的应用.UCI 数据集上实验结果表明,WilsonTh 数据剪辑能有效地提高加入训练集的样本质量从而增强邻域粗糙协同分类的性能.