摘要:不平衡模糊粗糙有序加权最近邻分类,基于粗糙集理论中的上下近似,定义了自己的模糊粗糙上下近似,但在FRNN分类器中,对多数类和少数类并没有做不同处理。因此,在本文中,引入了owa有序加权算子来对不平衡数据进行调节。
FRNN:
![](https://i-blog.csdnimg.cn/blog_migrate/d30c2206c12697658fa776cfa05ffeeb.png)
![](https://i-blog.csdnimg.cn/blog_migrate/3b2245ebe7985e9728e71186338f9fa3.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0971b5d50de3a3edd8644e9c73322f89.png)
P下近似实际上选出的是不在正域中且相似度高的;N下近似实际上选出的是不在负域且相似度高的;
P上近似实际上选出的是是正类且相似度高的;P下近似实际上选出的是是负类且相似度高的;
![](https://i-blog.csdnimg.cn/blog_migrate/ec193dd6db2075a5e358605382803d55.png)
经过推算,容易得到算出正负上下近似即可算出结果。
OWA:有序加权平均算子
![](https://i-blog.csdnimg.cn/blog_migrate/8195f5f9fbf7cbe1afa5bb0726a37cb9.png)
IFROWANN:以上两种方法结合。最终的效果主要取决R模糊关系的选择和权向量的选择
![](https://i-blog.csdnimg.cn/blog_migrate/370429f851141da0b94daa23953dede1.png)
![](https://i-blog.csdnimg.cn/blog_migrate/68515e963946a5a4b081511a3f4b9b33.png)
![](https://i-blog.csdnimg.cn/blog_migrate/f4fa921eb532cfeacb0e0ec8a7415922.png)
(r控制在p-n)
n;p分别为负类正类的样本数。
![](https://i-blog.csdnimg.cn/blog_migrate/11715632c7cb940c76bc99829ab2d5a0.png)
最终确定为第六组权向量和以平均定义的模糊关系R分类效果最好。(做了3*6=18组对比实验)