基于变精度Rough集的对象甄选优化模型

定义了对象甄选信息系统,并根据属性值序列间的距离,给出了对象的相似关系,并利用Rough集理论讨论了对象的分类问题,最后给出了甄选的优化模型.

基于α相同度相似关系的rough集模型

Rough集理论是一种处理不完备信息系统的数学工具,但是Pawlak的经典rough集理论似乎是不可行的,因为它要求论域中数据间有很强的等价关系。在产生基本集(相似类)时,一般相似关系的分类误差较大,集对分析会把两个对立度不为0的个体划分在一起。汲取两者的优点,给出相同度的概念,只有满足一般相似关系并且相同度大于或等于阈值α的两个对象才能划分在一个基本集中,在此基础上建立基于α相同度相似关系的rough集模型。通过实例验证效果要比基于集对分析或者一般相似关系的模型更好。

基于VPRS的重要属性评价方法研究

提出了基于可变精度的Rough集(VPRS)的重要属性评价方法,有效地克服了基于Pawlak粗集理论的属性重要性判别方法的不足,也是传统属性重要性判别方法的扩展,为不精确数据的属性重要性判别提供了依据,因而具有一定的实用价值.

基于VPRS的决策树算法中处理噪音数据的新方法

噪音数据是影响决策树训练效率和结果集质量的重要因素。目前的树剪枝方法不能消除噪音数据对选择决策树测试节点属性的影响。为改变这种状况,基于变精度Rough集(VPRS)模型,提出了一个在决策树算法中处理噪音数据的新方法———预剪枝法,该方法在进行选择属性的计算之前基于变精度正区域求取属性修正的分类模式,来消除噪音数据的对选择属性以及生成叶节点的影响。利用该方法对基本ID3决策树算法进行了改进。分析和实验表明,与先剪枝方法相比,该方法能进一步减小决策树的规模和训练时间。