1、在數(shù)據(jù)挖掘與機器學(xué)習(xí)、模式識別和信息檢索等數(shù)據(jù)分析等理論的應(yīng)用領(lǐng)域中,數(shù)據(jù)的缺失是一個處處存在,不可避免且具有挑戰(zhàn)性的問題。由于理論發(fā)展和實際應(yīng)用的需要,國內(nèi)外許多學(xué)者都較為深入地研究了缺失數(shù)據(jù)的成因、類型以及填充算法。各種用于缺失數(shù)據(jù)填充的算法已經(jīng)被提出,典型的算法有:EM算法、單一填充法、多重填充算法和C4.5算法。但是,上述這些處理缺失數(shù)據(jù)的方法都是獨立于具體應(yīng)用的,也就是說它們是不考慮具體的應(yīng)用領(lǐng)域而獨立的填充算法。然而最新的研

2、究結(jié)果指出這些不依賴于具體應(yīng)用的填充算法對于一些機器學(xué)習(xí)任務(wù)(如代價敏感學(xué)習(xí))來說是不適用的。在用給定的含有缺失數(shù)據(jù)的數(shù)據(jù)集訓(xùn)練一棵代價敏感決策樹時,由于受到總代價約束的原因使得一些屬性的缺失值不用去填充。故我們需要彌補代價敏感學(xué)習(xí)與缺失值填充問題之間留下的空白。在數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域,代價敏感問題的研究一直是一個熱點問題,國內(nèi)和國外的很多研究人員或研究機構(gòu)在代價敏感問題方面都做了許多研究,并提出了很多新的理論與方法。這當(dāng)中最受關(guān)注的

3、是兩類代價:即測試代價和誤分類代價。在國外,最早針對數(shù)據(jù)缺失處理技術(shù)展開研究的是美國,它研究的出發(fā)點是糾正整個美國社會保險的數(shù)據(jù)差錯。在此期間學(xué)者們提出了利用與缺失數(shù)據(jù)最近似的值來填補空缺數(shù)據(jù)的方法,例如k近鄰分類、粗糙集理論、貝葉斯網(wǎng)、神經(jīng)網(wǎng)絡(luò)(NN)等。目前在國內(nèi),對缺失值填充問題的研究尚處在起步階段,盡管在一些學(xué)術(shù)會議和期刊文獻(xiàn)中也可以找到一些有關(guān)缺失值理論性研究,但是對缺失數(shù)據(jù)處理直接相關(guān)的研究成果并不常見。此外基于代價敏感的缺

4、失值填充這種新穎的方法在國內(nèi)外的研究中尚屬罕見。上述前人的研究工作為本文的研究提供了堅實的理論方法基礎(chǔ)。本論文在此之上將對現(xiàn)有的代價敏感的CII算法進(jìn)行改進(jìn),并準(zhǔn)備對代價敏感缺失值填充的以下幾個問題進(jìn)行討論與研究:(1)研究現(xiàn)有考慮代價敏感問題的缺失值填充算法的優(yōu)點與缺點,針對其存在的問題進(jìn)行算法改進(jìn),算法策略思想予以實現(xiàn),從而做為實驗改進(jìn)算法性能的平臺;(2)提出對于代價敏感缺失值填充的有用屬性的選擇理論,即提出一個有效發(fā)現(xiàn)absen