邻域近似条件熵的特定类属性约简及启发算法

2020-12-26张贤勇姚岳松

计算机工程与应用 2020年24期

关键词：粒化约简邻域

牟恩，张贤勇，姚岳松，邓切

1.西南医科大学医学信息与工程学院，四川泸州646000

2.四川师范大学智能信息与量子信息研究所，成都610066

3.四川师范大学数学科学学院，成都610066

1 引言

粗糙集属性约简能够有效实施降维优化与规则推理[1]。传统“决策分类约简”追求所有决策类的全局优化，而Yao和Zhang[2]提出的“特定类约简”涉及特定类的局部优化，两类属性约简分别位于决策表的宏观高层与中观中层[3]。当前，特定类约简主要立足于经典粗糙集[4-5]，故值得推广。邻域粗糙集推广了经典粗糙集，但相关属性约简集中于决策分类约简（如文献[6-7]），还未见特定类约简的报道。

信息度量广泛应用于不确定刻画与属性约简。对于经典粗糙集，苗夺谦[8]建立信息熵、条件熵、互信息体系，而条件熵刻画了属性约简[9-10]。对于邻域粗糙集，Hu等[11]建立对数函数信息体系进行特征选择，Chen等[12]提出邻域精度、邻域熵、信息粒度及相关粒化单调性，Chen等[13]利用联合邻域熵来设计基因选择算法，Yuan等[14]采用邻域熵变种度量来进行离群点检测；进而针对属性约简，谢玲玲等[15]提出近似条件熵来进行属性约简，张宁和范年柏[16]提出邻域（近似）条件熵来构建启发式属性约简，赵小龙和杨燕[17]提出邻域粒化条件熵来设计增量约简算法，姚晟等[18]基于邻域粗糙互信息来进行非单调属性约简。

本文拟从邻域近似条件熵的信息角度，构建邻域粗糙集的特定类约简。从经典条件熵推广后的邻域近似条件熵出发，分解提取关于特定类的邻域近似条件熵，证明信息粒化非单调性，建立特定类约简及其启发算法，并提供实例分析与实验验证。

2 邻域粗糙集及高层邻域近似条件熵

决策表NDT=＜U,C,D ＞包括有限论域U、条件属性集C={c1,c2,…,cl}、决策属性集D。邻域体系涉及距离函数d与半径参数δ。本文采用Manhattan 距离可得邻域nC(x)={y∈U|dC(x,y)≤δ}、邻域关系NC={(x,y)∈U×U|dC(x,y)≤δ}、邻域覆盖U/NC={nC(x)|x∈U} 。任意条件属性子集B⊆C可以产生相关概念，如邻域采用nB(x)或(x)并设邻域粒数为n。设决策分类U/IND(D)={Dj|j=1,2,…,m}具有m个决策类。

定义1[7]决策类Dj关于B⊆C的邻域上下近似为：

基于文献[8-9，15-16]，下面自然建立邻域（近似）条件熵，其中邻域及其粒数采用不重复规则，有利于覆盖粒结构推理；当覆盖退化到划分时，它们将退化到经典粗糙集的（近似）条件熵。

定义2 决策属性集D相对于B⊆C的邻域条件熵为：

邻域条件熵CE(D|B)采用经典条件熵公式，将等价剖分结构泛化推广到邻域覆盖结构，具有相应不确定性语义。邻域近似条件熵ACE(D|B)引入邻域近似粗糙度ρB(Dj)作为权重系数，有效融合覆盖结构信息与近似逼近信息，变得更为强健。

3 中层邻域近似条件熵

上述高层邻域（近似）条件熵适用于整个决策分类。下面对它们施行“求和换序”与“分解提取”，得到中层相应概念，以适用于特定决策类。

定义3 决策类Dj相对于B⊆C的邻域条件熵为：

定理1（1）CE(Dj|B)∈[0,|Dj|lb|U|]、ACE(Dj|B)∈[0,|Dj|lb|U|] 。（2）若BndB(Dj)=∅，则CE(Dj|B)=0 、ACE(Dj|B)=0 。（3）若U/NB={U} 且Dj={x}⊂U，则CE(Dj|B)=(1/|U|)lb|U|、ACE(Dj|B)=(1/|U|)lb|U|。

证明（1）对特定类Dj，若邻域)满足)⋂Dj=∅则p(Dj|))=0、CE(Dj|))=0。下面考虑交Dj的邻域并，设Sj={i∈{1,2,…,n}x)⋂Dj≠∅}则|Sj|≤n≤N（这里N=|U|）。 ∀i∈Sj有p(Dj|))∈[1/N,1]与lbp(Dj|))≥lb 1/N。因此：

（3）若U/NB={U} 且Dj={x}⊂U，即只存在唯一邻域U,且其满足p(Dj|U)∈(0,1)、lbp(Dj|U)=lb(1/N)，根据公式（1）有CE(Dj|B)=(|Dj|/|U|)lb|U|=(1/|U|)lb|U|。进而ACE(Dj|B)=(1/|U|)lb|U|，其中ρB(Dj)=1。

定理2 设属性子集A,B⊆C诱导的邻域覆盖U/NA、U/NB具有粒化关系U/NA-≺U/NB（即∀x∈U有nA(x)⊆nB(x)），则CE(Dj|A)与CE(Dj|B)、ACE(Dj|A)与ACE(Dj|B)无必然大小关系。

证明因为U/NA-≺U/NB有nA(x)⊆nB(x) 。该嵌套邻域结构与决策类Dj具有三种相交情况。

（1）若nA(x)⋂Dj=nB(x)⋂Dj=即p(Dj|nA(x))=p(Dj|nB(x))=0，则可以得到：

（3）若∅⊂nA(x)⋂Dj⊆nB(x)⋂Dj，但两个非0 概率p(Dj|nA(x))与p(Dj|nB(x))之间的大小不确定[18]，故CE(Dj|nA(x))与CE(Dj|nB(x))大小关系也是不确定的。

4 基于邻域近似条件熵的特定类属性约简

基于中层邻域（近似）条件熵及其不确定性语义、粒化非单调性，本章构建相应的特定类属性约简及其启发算法，主要采用具有信息修正的邻域近似条件熵。

定义4 基于邻域近似条件熵，B⊆C称为C相对于决策类Dj的一个约简，若如下两条成立：

这里的约简目标追求更大的邻域近似条件熵值，这种单向方案已经实际使用[18]。定义中的两条分别对应“联合充分性”与“个体必要性”。接下来，类似于文献[18]，引入属性重要度并构建启发式约简算法。

定义5a∈B关于B的内属性重要度为：

内重要度sigin(a,B,Dj)表示在B中删除属性a产生的关于邻域近似条件熵的信息减量，而外重要度sigout(a,B,Dj)表示在B上增加属性a产生的信息增量，两者提供了快速约简的属性选择机制。若a关于B是重要的，那么邻域近似条件熵满足关系ACE(Dj|B)＞ACE(Dj|B-{a}), 因此sigin(a,B,Dj)＞0, 反之sigin(a,B,Dj)＜0 ；对于a∈(C-B) ，若a关于B是重要的，则ACE(Dj|B⋃{a})＞ACE(Dj|B),因此有sigout(a,B,Dj)＞0，反之sigout(a,B,Dj)≤0。由此，下面采用这两种重要度来设计一个启发式搜索算法，以快速得到一个特定类约简。

算法1 基于邻域近似条件熵的特定类属性约简启发算法。

输入决策表NDT=＜U,C,D ＞，邻域半径δ；

输出基于邻域近似条件熵的特定类约简R。

步骤1 设置R=。

步骤2 计算∀a∈C的内属性重要度sigin(a,C,Dj)，满足sigin(a,C,Dj)＞0 的属性a均加入R（即实施循环更新R←R⋃{a}）。

步骤3 计算子集R与全集C关于特定类Dj的邻域近似条件熵ACE(Dj|R)与ACE(Dj|C)。若ACE(Dj|R)≥ACE(Dj|C)，则进入步骤5，否则进入步骤4。

步骤4 计算∀a∈(C-R)的外属性重要度sigout(a,R,Dj)，并选择属性重要度最大的属性a*并入R（即施行一次更新R←R⋃{a*}），并进入步骤3。

步骤5 ∀a∈R，若属性a满足ACE(Dj|R-{a})≥ACE(Dj|R)，则从R中删除a（即采用循环更新R←R-{a}）。

步骤6 返回R。

算法1 优化了文献[18]的非单调性算法结构，并主要采用邻域近似条件熵。步骤1是初始化。步骤2是启发搜索过程，主要在条件属性全集C中选取对类Dj具有相关模式识别功能的属性。步骤3是一个评估过程，若步骤2 得到的子集R的邻域近似条件熵小于全集C的（即ACE(Dj|R)＜ACE(Dj|C)），则需要利用步骤4 进行剩余属性的启发式搜索，并加入最优属性以快速完成添加。可见，邻近步骤5 的R必然满足约简“联合充分性”，但不一定满足约简“个体必要性”。由此，步骤5采用反向冗余删除，最终获得约简“个体必要性”。基于文献[18]的算法分析过程与结果，这里的算法1 计算量仍旧主要集中在步骤2，因此整个的时间复杂度为O(|C||U|lb |U|)。该算法是有效的，能够得到一个基于邻域近似条件熵的特定类属性约简。

5 决策表实例

本章提供一个实例，说明度量性质与属性约简。决策表NDT=＜U,C,D ＞如表1，其包括两个决策类：D1={x1,x2}、D2={x3,x4}。

表1 实例决策表

基于Manhattan 距离与邻域半径δ=0.4，下面聚焦属性增链

该链诱导出邻域覆盖及其粒化关系：

由此，可得两个特定类的邻域粗糙度：

上述所有值均隶属理论双界范围[0,|Dj|lb |U|=4]（定理1）。4个不等式验证了粒化非单调性（定理2）。

最后分析特定类约简，主要采用决策类D2来说明算法1。步骤1 赋值R=∅。步骤2 计算3 个条件属性的内重要度：

由此没有属性满足加入条件sigin＞0，故R=∅。此时R达不到约简第一条，在步骤3 中判断后需要转入步骤4，计算3个条件属性的外重要度：

基于最大值随机选取一个属性如c1并入R，有R={c1}。此时，用更新的R={c1}进入步骤3，检验有：

即{c1} 满足约简第一条从而进入步骤5。基于步骤5，单属性c1不能被删除，即{c1} 满足约简条件第二条，并最终在步骤6中输出作为约简结果。

6 UCI数据实验

本章实施数据实验来验证邻域（近似）条件熵及其特定类约简，主要是粒化非单调性（定理2）与启发式约简算法（算法1）。下面从UCI 机器学习知识库（http：//archive.ics.uci.edu/ml）中选取5 组数据集，如表2。首先采用最大-最小标准化数据预处理，仍用Manhattan距离函数，邻域半径参见表2。

表2 5类UCI数据集的基本描述

为表现度量变化，特选取自然属性增链{c1}⊂{c1,c2}⊂…⊂C。针对所有的13 个决策类，进行了完全实验计算；这里提供代表呈现，对此前3 个数据选取D2而后2 个数据集选取D1，相关度量结果参见图1。在图1 中，横坐标整数标识属性增链元B，纵坐标实数标识邻域条件熵CE(Dj|B)、邻域近似精度αB(Dj)（即1-ρB(Dj)）、邻域近似条件熵ACE(Dj|B)。观测可见，αB(Dj)很接近于0，CE(Dj|B)与ACE(Dj|B)具有细微调整差距，它们的粒化非单调性非常明显。基于这些非单调变化曲线，追求邻域近似条件熵大值的特定类约简是合理的，其可以得到适当长度的约简结果。

图1 5类UCI数据集关于属性增链的三种度量变化

图2 Wine数据集D1 类关于属性增链与半径增链的三种度量变化

最后分析邻域半径对度量与约简的结果影响。作为代表，选取数据集Wine 的D1类，以δ=0.5 为初始值并以0.5 为步长构造半径增链。图2 提供了CE(Dj|B)、αB(Dj)、ACE(Dj|B)在半径增链与属性增链上的变化。基于图2，对于邻域近似条件熵，通常的半径能够较好表现粒化非单调性，而波峰或最大值随着半径增大而右移；可见，半径取值决定着度量数值以及后续约简。

进而，表3提供了特定类约简结果，验证了算法1的有效性。表4 则提供了Wine 数据集D1类相关半径增链的约简结果。基于表4，约简具有随半径变大而属性增多的大体趋势；邻域半径过小（如0.5）会导致属性约简太单一，半径过大（如4.0）则约简太冗余，即这两种极端情况下的约简结果都不太理想；当δ取2.0、2.5、3.0时，约简结果较好。此外，其他数据集实验都表现出类似结果，即适中的邻域半径能够有效表现粒化非单调性并获取较好属性约简，而表2中的半径取值正是经过实验分析所得的较好参数设置。

表3 5类UCI数据集的特定类约简

表4 Wine数据集D1 类关于半径增链的约简

7 结束语

本文粒化分解决策表高层的邻域（近似）条件熵，提取出中层的邻域（近似）条件熵，获得信息上下界与粒化非单调性，进而构建特定类属性约简及其启发式约简算法。本文构建邻域（近似）条件熵深化了文献[15-16]的相关度量，后续特定类属性约简推广了文献[2]的经典特定类约简，而相关启发式约简算法模拟并优化了文献[18]的算法。所得结果有利于特定类模式识别的不确定性度量与优化应用，值得深入探讨。