基于下近似分布粒度熵的变精度悲观多粒度粗糙集粒度约简

将下近似分布约简引入变精度悲观多粒度粗糙集,定义了变精度悲观多粒度粗糙集的下近似分布粒度熵,基于下近似分布粒度熵定义了变精度悲观多粒度粗糙集粒度的重要度,并设计了基于下近似分布粒度熵的悲观多粒度粗糙集启发式粒度约简算法,通过实例验证了算法的有效性。

基于下近似分布的变精度邻域粗糙集属性约简算法

利用邻域粗糙集处理数值型数据,可以解决经典粗糙集不能直接处理数值型数据的问题,改进后的变精度邻域粗糙集可以增强抗噪声的能力。但变精度邻域粗糙集的属性约简有不同于邻域粗糙集的特性,需要考虑每个决策类的下近似分布。文中提出可以遵循平均错误率来约简属性,减少计算规模。实验证明,使用UCI数据集与其它算法进行了比较,该算法可以获得理想的结果。

基于下近似分布不变的乳腺癌诊断决策

指出变精度邻域粗糙集整体精度虽然较高,但个别决策类精度可能较低,不利于乳腺癌诊断。针对该问题,提出基于下近似分布不变的改进方法。并依据各属性的出现概率和平均错误率,寻找Wisconsin Diagnostic Breast Cancer数据集中可以保证敏感度和准确度的属性约简。通过实验分析,新的方法可以获得更高的精度,并发现乳腺癌的诊断与质地、光滑度和周长密切相关。

多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。