决策粗糙集属性约简:一种局部视角方法

比较于经典粗糙集,决策粗糙集模型将代价问题考虑在内,为粗糙集的属性约简问题带来了新的挑战。尽管已有针对决策粗糙集的一些属性约简方法被提出,但这些约简标准都是基于所有决策类的,约束条件较为严格。为解决这一问题,从局部视角出发,针对单独的决策类提出了Local约简的思想。基于启发式算法求解约简的实验结果表明,相比于面向所有决策类的约简,Local约简可以获得更多的正域规则,同时也能够进一步降低约简中的属性数量。     

基于邻域粗糙集的多标记属性约简算法

在多标记学习中,属性约简是解决多标记数据维数灾难的一个关键技术.针对邻域粗糙集属性约简在计算正域代价较大和多标记数据中标记具有不同的强弱性问题,提出了基于邻域粗糙集的多标记属性约简算法.该算法首先利用样本在整个属性空间下到其异类样本的平均距离与到其同类样本的平均距离的差值对标记进行加权;其次,利用取整函数对样本空间进行划分,提出了一种新的多标记邻域粗糙集快速计算正域的方法;最后,根据前向贪心搜索算法进行属性约简,以获得一组新的属性排序.实验给出了5个多标记数据集在4个评价准则上的对比结果,实验结果分析表明了所提算法的有效性.     

决策代价约简求解中的交叉验证策略

属性约简是粗糙集理论中的核心问题,其目的是剔除冗余属性以找到具有较好泛化能力的属性子集.在决策粗糙集理论中,决策代价经常被作为属性约简的约束条件.但值得注意的是,虽然基于决策代价的约简求解算法可以有效地降低训练样本集上的总决策代价,但其往往忽视了测试样本集上的总决策代价.为解决这一问题,利用交叉验证的基本思想,设计了以决策代价为约束条件的一种新的属性约简求解算法.在八个UCI数据集上的实验结果表明,相较于传统基于决策代价的约简求解算法,所提算法不仅能有效地降低训练集合和测试集合的总决策代价,而且找出的属性子集亦可以带来更好的分类性能.     

基于模糊粗糙集和蜂群算法的属性约简

为获取连续属性数据集的最小属性子集,提出一种基于模糊粗糙集和人工蜂群算法的约简方法。首先由边缘蕴含算子和t-模给出集合的模糊粗糙近似,以下近似构建模糊粗糙正域,并据此确定决策属性对条件属性集的依赖度,然后通过依赖度和约简率构建能够反映属性集大小和重要性的目标函数,将属性约简问题转化为优化问题,最后以目标函数为迭代准则,利用人工蜂群优化算法完成数据集的属性约简。仿真结果表明:该方法在不降低分类正确率的同时,可以有效降低属性维数。     

变精度粗糙集β下近似属性约简

从属性集角度研究变精度粗糙集模型的属性约简问题,在对象集上定义了一种β下近似二元关系,并利用这种关系建立了属性集及其幂集上的等价关系,由此产生依赖空间。同时利用定义的二元关系和依赖空间给出了变精度粗糙集的β下近似协调集的判定定理,得到一种保持每个决策类的β下近似不变的属性约简方法。最后通过实例验证方法的有效性。     

基于粗糙集的属性约简算法研究

提出一种新的基于粗糙集的属性约简算法．该算法采用层次结构和近似精度的概念,约简集中的属性选择从空集开始,用启发函数ξ作为选择条件属性的衡量标准,逐步加入相对于决策而言重要的条件属性,并采用下近似值作为剪枝依据,逐步删除给定论域U中根据该属性子集能完全正确分类的对象,减小了属性约简过程中的搜索空间,处理过程是递归的,直到给定论域U为空集,保证了在分类精度不变的情况下,获得简化的属性集,最后运用粗糙集中正域的概念,约简冗余的属性值并求出其最简规则．对UCI机器学习数据库中7个数据库属性约简结果证明了该算法的正确性和可行性．     

直觉模糊目标信息系统的正域约简

经典的粗糙集理论对直觉模糊目标信息系统不能直接进行知识约简.为此,首先在直觉模糊目标信息系统中引入优势关系,给出了基于优势关系的直觉模糊粗糙集定义;然后将经典粗糙集理论中的相对正域、属性依赖度以及属性重要性等概念推广至直觉模糊环境中,同时证明了直觉模糊目标信息系统的相对正域具有单调性的特征;结合属性的不同特征以及正域约简的定义给出了正域约简的判定定理,从而设计出以属性重要性为启发式信息的正域约简算法,并给出算法的复杂度分析;最后通过数据实验验证了算法的有效性.     

基于多粒度理论的不完备决策规则获取

将多粒度理论引入不完备决策系统中,针对其不完备性,结合非对称相似关系提出基于相似关系的不完备多粒度粗糙集模型,并讨论该模型的性质。随后重点讨论基于相似关系的不完备多粒度粗糙集模型中属性约简和决策规则获取的问题,将多粒度理论和近似分布约简相结合,提出了不完备多粒度近似分布约简,获得所有的最简确定决策规则和最简可能决策规则。最后通过实例分析,发现使用多粒度近似分布约简与规则获取方法比原有的单粒度近似分布约简与决策获取方法更合理有效。     

类别近似质量约束下的属性约简方法研究

利用近似质量作为度量标准,借助启发式算法求解约简,其本质是根据近似质量的变化情况来找出冗余属性,但这一方法其并未考虑每一个决策类别所对应的下近似集合在约简前后的变化程度.鉴于此,提出了一种基于类别近似质量的属性约简策略,其目标是使得每一个类别的近似质量都满足约简的约束条件.借助邻域粗糙集模型,在UCI数据集上将传统约简策略与类别近似质量约简策略进行了对比分析,实验结果不仅验证了类别近似质量约简策略的有效性,而且表明这种策略依然能够满足传统约简的约束条件.     

双论域上的决策粗糙集模型及其刻画

在决策粗糙集的基础上,对论域进行了拓展,构造了双论域上的决策粗糙集模型.依据条件概率构造了双论域上决策粗糙集的上、下近似集,并得到相应的正域、负域和边界域的定义;讨论了双论域上决策粗糙集模型的一些基本性质;通过实例给出了双论域上决策粗糙集模型在医疗诊断系统中的应用.