不一致决策表的知识约简方法研究

目前计算不一致决策表的分布约简、最大分布约简和分配约简的方法均基于可辨识属性矩阵,在大数据集下耗时较多.为此,提出转化算法,将计算原不一致决策表的上述3种约简转化为计算3种一致决策表的Paw lak约简.通过应用针对后者的高效启发式算法,有效地减少了计算时间.此外,引入λ-约简的概念,通过调节λ的值,能得到一族反映决策矢量不同水平相似程度的知识约简.该方法降低了分布约简对决策表区分能力的过高要求,较上述3种约简更为灵活.

基于差别矩阵的不一致决策表规则获取算法

针对传统基于差别矩阵的不一致决策表规则获取算法效率不理想的情况,提出了一种快速的基于差别矩阵的规则获取算法。算法首先引入简化决策表思想,删除决策表中可能存在的许多重复对象;然后基于简化决策表构造不同决策类之间的子差别矩阵,以有效地解决对象分布的非平衡性问题和缩小算法的求解空间;且采用启发式向后贪心搜索策略求解相对最小属性约简;并根据规则可信度获取有效的决策规则,可信度可动态设置,使算法具有较好的适应性。最后通过算例分析和实验比较验证了算法能获取有效的决策规则。

不一致决策表各种属性约简的不一致性分析与转化

针对不一致决策表,系统地研究了代数约简、分布约简、最大分布约简及分配约简之间的关系,指出分布(分配)协调集必是代数协调集,但分布(分配)约简与代数约简之间并无包含与被包含关系,只有当分布(分配)约简存在,相应的代数约简才是其子集.最大分布协调集与代数协调集无强弱之分.基于等价可辨识属性矩阵具有相同属性约简和核的思想,提出一种简化的代数约简可辨识属性矩阵构造方法,在此基础上得到了将分布(分配)约简转化为代数约简,分布约简转为分配约简的新方法,部分解决了上述各属性约简结果不一致性问题,理论分析与数值算例证明了它的有效性.

不一致决策表信息熵约简与代数约简的核计算与转化

对不一致决策表,信息熵约简与代数约简有时会得到不同的属性约简和核属性,当前的方法多为先将不一致决策表转化为一致决策表,再对后者寻求高效算法.本文基于等价差别矩阵具有相同的核属性和属性约简的思想,提出一种以条件属性等价类构造简化的代数约简差别矩阵,从差别矩阵内部进行比较与分析,发现只须将信息熵约简差别矩阵中由同时为矛盾对象所产生的可辩识属性集剔除,即可转化为简化的代数约简差别矩阵,从而得到将信息熵约简核属性转化为代数约简核属性的新方法,理论分析与数值算例都验证了其正确性.

不一致决策表的分配序约简

在不一致决策表中定义了分配序约简,给出分配序一致集的判定定理。通过定义分配序区分矩阵给出求分配序约简的区分矩阵法。为克服区分矩阵法时间复杂度随系统大小的增加而指数增长的缺陷,通过定义属性的相对重要性,提出一种求分配序约简的启发式算法。通过实例分析说明启发式算法的有效性,为从不一致决策表中获取知识提供了一种有效方法。

不一致决策表规则提取的粗糙集方法

针对不一致决策系统中的规则提取问题,提出一种协调规则提取算法。在粗糙集背景下粒计算描述的基础上,由对象所在的条件信息粒与目标概念的包含度定义对象关于目标概念的隶属度,扩展传统的粗糙近似。给出不一致获取协调规则的算法描述及其时间复杂度。对比分析及说明性算例验证了该算法的有效性和可行性。

一种新的不一致决策表属性约简算法

针对目前求核方法存在的问题,提出一种基于分布函数的用于计算核属性的改进的二进制可辨矩阵。改进的二进制可辨矩阵不仅规模小,而且适用于任何决策表求核。在获取核属性的基础上,提出一种新的不一致决策表的属性约简算法,只要在用于计算核属性的改进的二进制可辨矩阵中简单增加相应的行,就可以利用逻辑运算来获取属性约简。并将吸收律应用于属性约简,较大提高了属性约简的效率。

不一致决策表下基于D-S证据理论的知识约简

对于一致决策表,基于D-S证据理论的知识约简与代数约简所得的结果是一致的,对于不一致决策表,它们并不完全一致.本文通过具体算例说明了基于D-S证据理论的广义决策约简与代数约简的在不一致决策表下的差异性,理论上证明了广义决策约简仅与分配约简是等价的,提出一种基于D-S证据理论求代数约简的方法.理论分析和算例都证明了本文方法的正确性.

不一致决策表快速知识约简算法研究

知识约简是粗糙集理论重要研究内容之一.目前,通常采用差别矩阵来计算不一致决策表的分布约简、最大分布约简和分配约简,可以获得所有约简,但算法复杂度较高,在较大数据集下非常耗时.针对不一致决策表,提出不一致决策表的一致化决策表转化算法,将计算原不一致决策表的约简转化为计算一致化决策表的约简.给出了5种一致化决策表约简的定义,探讨了各种约简结果之间的关系,利用相对不可辨识的对象对构建了高效的差别矩阵知识约简算法.理论分析和实验结果表明,本文所提出的算法能够有效地减少计算时间,适合处理大数据集.

不一致决策表的k阶分配序约简

在不一致决策表中定义了k阶分配序约简,给出了k阶分配序一致集的判定定理。通过定义k阶分配序区分矩阵,给出了求k阶分配序约简的区分矩阵法。为了克服区分矩阵法时间复杂度过高的缺陷,通过定义属性的相对重要性,提出了一种求k阶分配序约简的启发式算法,分析得到该算法的时间复杂度是多项式的结论。实例验证了算法的有效性。

基于包含度的不一致决策表约简新方法

在不一致决策表中,以知识的包含度为基础,将一致和不一致对象分开,定义了一种新的属性重要性;为克服区分矩阵法时间复杂度随系统大小增加而指数增长的缺陷,给出分布约简的数学判定定理,提出了一种求分布约简的启发式方法。实例验证分析表明,新的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简。

Rough集中不一致决策表的一种处理方法

Rough集理论在对不一致决策表的处理上一直是较为困难的问题。给出一种处理不一定决策表的方法,可将原决策表加工成为人们决策时满意的决策表。

一种新的不一致决策表的属性约简算法

在基于正域的不一致决策表属性约简算法中,计算正域的算法效率是关键,直接影响到属性约简算法的时间复杂度。针对这一问题,新算法改进了区分矩阵的构造过程,提出了一种有效的在二进制区分矩阵上计算负域的方法,将约简的关键转换为对负域的计算,以属性频率为启发式信息指导属性约简过程。该算法也适用于一致决策表的属性约简。最后,通过实例证明了算法的有效性。

基于等价类的不一致决策表约简改进算法

对Rough集的属性约简进行分析,特别针对不一致决策表,提出一种新的约简算法。算法通过等价类消除决策表不一致性,然后利用传统算法进行约简,并用实例证明算法可行性。

不一致决策表中规则提取的矩阵算法

由于数据采集能力不足等原因,决策表通常都不是一致的。如果将不一致的对象完全删除,则丢失了大量隐含在这些对象中的信息。针对不一致决策表,在分配约简、分布约简和最大分布约简的定义基础上,通过定义相应的决策矩阵并比较它们与条件属性矩阵的关系,得到提取信息系统的所有分配规则、分布规则和最大分布规则的矩阵方法。该方法的优点是直观有效,能获得所有规则,并同时得到相应的约简。

基于条件信息量一致决策表的属性约简

提出了决策表中决策属性相对于条件属性的条件信息量的概念,由此从信息量角度给出了一致决策表的属性约简方法,并且证明了该方法与属性约简的代数方法是一致的.通过实例表明该方法是可行的和有效的.

基于判别向量的不一致决策表规则提取算法

规则提取广泛应用于机器学习和数据挖掘中,是一种获得隐含知识的理论方法。针对不一致决策表,从多粒度角度出发,将不一致决策表转换为一致决策表,然后定义判别向量,在由粗到细的粒度空间下分别对决策表进行分析,提出了一种新的不一致决策表规则提取算法,并通过理论证明和实例分析说明了新算法的正确性,最后由UCI数据集的测试对比了现有的一些不一致决策表规则提取算法的性能,测试结果显示了新算法的有效性和快速性。

非一致决策表的决策树分析

决策树技术在数据挖掘的分类领域中被广泛采用。采用决策树从一致决策表(即条件属性值相同的样本其决策值相同)中挖掘有价值信息的相关研究较为成熟,而对于非一致决策表(即条件属性值相同的样本其决策值不同)采用决策树进行数据挖掘是当前研究热点。本文基于贪心算法的思想,提出了一种非一致决策表的决策树分析方法。首先使用多值决策方法处理非一致决策表,将非一致决策表转换成多值决策表(即用一个集合表示样本的多个决策值);然后根据贪心选择思想,使用不纯度函数和不确定性相关指标设计贪心选择策略;最后使用贪心选择设计决策树构造算法实现决策树构造。通过实例说明了所提出的权值和贪心选择指标能够比已有的最大权值贪心选择指标生成规模更小的决策树。

面向非一致决策表的决策树构造方法研究

针对非一致决策表所描述的条件属性值相同但决策值不同的数据样本,以决策树数据挖掘方法为研究对象,将非一致决策表转换成多值决策表,采用不纯度函数和不确定性相关指标设计贪心选择策略,根据贪心选择设计决策树构造算法并构造决策树.结果表明,此法所提的权值和贪心选择指标生成的决策树规模比已有的最大权值贪心选择指标生成的决策树规模更小.

不一致决策表规则获取的粒计算方法

针对不一致决策表的规则获取,从属性多粒度角度考虑,按粒度由粗到细将决策表划分成不同的粒度空间,通过定义相容粒关系矩阵和不相容粒关系矩阵,并充分挖掘隐含在矩阵中的启发式信息,实现对不同粒度空间确定性规则和不确定性规则的获取.最后,从实例分析以及UCI测试对算法进行验证,并与现有算法进行实验对比,实验结果与分析表明了所提出算法的可行性和有效性,而且按此方法获取的规则集的泛化能力更强.