张艳芹，窦慧莉

（1.徐州工程学院 经济学院，江苏 徐州 221008；2.江苏科技大学 计算机科学与工程学院，江苏 镇江 212003）

基于邻域分类AUC的属性选择方法＊

张艳芹1，窦慧莉2

（1.徐州工程学院 经济学院，江苏 徐州 221008；2.江苏科技大学 计算机科学与工程学院，江苏 镇江 212003）

为了提升邻域分类器的分类性能，提出了一种利用邻域AUC作为分类性能度量指标的启发式属性选择算法。首先，利用邻域分类器得到邻域AUC，然后在此基础上，借助贪心搜索策略，逐步加入使得邻域AUC尽可能大的属性，当邻域AUC不再增大时，算法终止。7个UCI数据集上的实验结果表明，使用邻域AUC属性选择算法，可以在使用较少属性个数的基础上有效提升邻域分类器的分类性能。

属性选择；启发式算法；邻域分类器；AUC指标

1 背景阐述

不同于经典粗糙集[1]方法，邻域粗糙集[2]借助机器学习中的距离概念，构建样本的邻域，进而达到刻画数据中不确定性的目的。近年来，邻域粗糙集方法因其对数据的适应性强、粒度变化较为灵活等优势受到了众多学者的关注[3-6]。

在邻域粗糙集理论中，除了可以使用邻域粗糙集刻画不确定性以外，借鉴K近邻[7]的思想，Hu等人提出了邻域分类器[8]。与K近邻分类器不同，邻域分类器不再指定待分类样本的邻居个数，而是通过指定半径，自然地得到待分类样本的邻居，即不同的样本可能包含不同个数的邻居，这是邻域分类器与K近邻分类器最重要的差别。除此之外，邻域分类器利用半径这一工具，能够自然地形成一个基于多粒度思想的分类结果，也就是说，随着邻域半径的不同，邻域分类器的分类结果自然也不相同。……