基于决策类划分新型多变量决策树算法实例分析

利用"基于决策类划分的新型多变量决策树算法"中的五大步骤,以"气象信息系统表"为实例构造多变量决策树,取得的结果与著名的单变量决策树(ID3)方法和粗糙集多变量决策树方法所获得的结果相同,证明本算法有效。其决策树构造过程简单,易于理解。通过时间复杂度的比较,证明本算法优于粗糙集算法速度更优和ID3算法。     

格值决策表的属性约简

提出了格值决策表中分配协调集的概念并讨论了它的基本性质,给出了分配协调集的充分必要条件,借助区分矩阵与区分函数给出了计算分配约简的方法.     

基于区分矩阵的属性约简算法改进策略

针对大容量数据表构造的区分矩阵过于庞大致使属性约简算法效率低的问题,引入置信度和支持度,提取大型数据库中的高概率事件,重新构造决策数据表,并在构造区分矩阵过程中剔除重复项和包含项,结果使得比较次数减少、存储空间节省、约简效率提高。     

基于Rough集理论的同类人员综合评判模型及其简化

基于 Rough集理论 ,通过建立同类人员评判模型 ,利用此模型及其简化模型的算法 ,探索以可达到高效率评判各类人员中同类人员为目的的技术和方法 ,并以实例加以说明.     

决策树研究新探

决策树方法一直被用于贝叶斯决策问题的最优方案选择，即从若干决策方案中选择一个最优方案。决策问题中所含的方案数量在决策树中是隐性的。利用传统的决策树方法，无法确定一个次优方案，对所有方案进行排序也很难。从这个意义上来说，决策树法不如策略矩阵法有效。该文结合有一个实例，讨论了利用决策树对贝叶斯决策问题的决策方案进行选择和排序的方法。     

基于可分辨矩阵的属性集依赖度计算方法

在决策表中,为了评价某条件属性的重要性,不但要考虑这个属性(单一属性)相对于决策属性的重要性,还要考虑该条件属性与其他条件属性构成的属性集的重要性.在属性集依赖度比单一属性依赖度更加可信的事实基础上,提出了一个基于可分辨矩阵的属性集依赖度计算方法.该方法能够较快地获得可分辨矩阵,并直接求出属性集的依赖度,从而大大降低了算法的时间复杂度.实例验证了该方法具有较好的有效性和较低的时间复杂度.     

基于粗糙集理论的医疗诊断系统分析

粗糙集理论是一种处理含糊和不精确性问题的新型数学工具,它是一种新型的数据挖掘和决策分析方法.通过条件属性对决策属性的依赖度和重要度分析,最终获取最小决策规则,并在医疗诊断系统中尝试.最后实践表明,这种方法在医疗决策系统中进行属性的约简是可行的.     

一种基于模糊决策表的知识获取方法

本文描述了一种基于模糊逻辑的决策表方法，该方法可用于构造知识库。     

粗糙集理论在异步电动机故障诊断中的应用

粗糙集理论是一种处理模糊和不确定性知识的较新的数学工具,将粗糙集理论引入到异步电动机故障诊断中,对电机的运行状态决策表进行属性约简,有效提取重要属性,降低决策表的冗余性.分析表明,粗糙集理论应用于交流异步电动机故障诊断可得到更清晰、简明的诊断规则.     

决策表的最近近似约简

属性约简是粗糙集理论研究的核心内容之一,为此,在提出了最近精确集概念的基础上,研究了决策表属性约简方法一最近近似约简．数值例子表明,该方法简单有效．