决策单调约简的启示

决策粗糙集模型源于贝叶斯决策准则,利用代价矩阵生成了构建概率粗糙集所需的一对阈值.但决策粗糙集并不具备经典粗糙集理论中常用的单调性,这给研究决策粗糙集的约简问题带来了机遇与挑战.通过考虑决策粗糙近似集是否变化,分析了决策粗糙集的决策保持约简与决策单调约简,并提出了两种不同的属性重要度以求解这两种约简.实验结果表明,相较于决策保持约简,通过决策单调约简,可以获得更多的由下近似与上近似所支持的决策规则,但同时也需付出更大的决策代价,从而揭示了想要得到更多,就必须付出更多的哲学道理.

区间值属性的单调决策树算法

目前存在的一些区间值属性决策树算法都是在无序情况下设计的,未考虑条件属性和决策属性之间的序关系.针对这些算法处理有序分类问题的不足,提出区间值属性的单调决策树算法,用于处理区间值属性的单调分类问题.该算法利用可能度确定区间值属性的序关系,使用排序互信息度量区间值属性的单调一致程度,通过排序互信息的最大化选取扩展属性.此外,将非平衡割点应用到区间值属性决策树构建过程中,减少排序互信息的计算次数,提高计算效率.实验表明文中算法提高了效率和测试精度.

区间值属性单调决策树算法的扩展

区间值属性单调决策树算法是处理区间值属性单调分类问题的重要途径之一,但此算法构建决策树过程中没有考虑属性间的相关性,因此极可能继续分类没有意义或意义很小的冗余属性。针对以上不足,在区间值属性单调决策树算法的基础上,分析了区间值属性之间的冗余信息对构建单调决策树的影响,并提出了一种扩展算法,要求选取的扩展属性不仅与决策属性的排序互信息值最大,还与同一分支上已被选取的条件属性的排序互信息值最小。实验结果表明,考虑了区间值属性间的交互信息后,可避免同一条件属性的重复选择,与已有的算法相比,该扩展算法能构建出更优的单调决策树。

决策粗糙集的属性约简准则研究

属性约简是粗糙集理论研究的重要内容之一.在传统Pawlak粗糙集模型中,随着属性数量的单调变化,下、上近似集也单调变化.然而,在决策粗糙集模型中,随着属性的单调增加,下、上近似集有可能增加也有可能减少.针对这一问题,从优化角度给出了决策单调准则、一般性准则和代价准则的适应性函数并通过遗传算法求得三种准则下的约简.实验结果表明:决策单调准则约简获得了更多的正域规则;一般性准则约简获取了最多的正域规则;代价准则约简获得了最小的决策代价.

基于决策粗糙集模型的局部属性约简

决策粗糙集理论是姚一豫教授基于传统粗糙集提出的代价敏感的粗糙集模型,之后衍生了许多基于DTRS的属性约简,如保持正域不变的约简、保持正域和负域同时不变的约简、获取代价最小的约简等。然后这些约简是对所有决策类上约束来进行属性约简。这样不仅浪费了时间、资源,也有可能导致结果的偏差。基于降低资源浪费、提高确定性规则两个方面,我们分析得出DTRS模型在局部下相比于一定性优势,之后结合启发式算法对5组UCI数据集进行局部和全局属性约简性能的对比加以验证,发现在两组试验下有较大提升(例如在Blood数据集上,局部约简分别有降低了12.5%冗余规则和提高了8.3%的确定性规则),这提高了我们处理问题的效率和准确性。