基于粗糙集理论的规则提取算法

粗糙集理论的主要思想是在保持分类能力不变的前提下,通过属性约简和值约简,提取决策规则。本文主要是提出了利用隶属度函数进行值约简的同时提取决策规则的算法。利用该算法可在不求得核值表的情况下,直接找到各规则的最小条件属性集,获得决策表的所有决策规则。     

一种基于粗糙集理论的决策规则提取方法

粗糙集理论是一种新兴的数学工具,用于分析、处理不确定或不完整的复杂信息,适合于从大量复杂的数据中发现隐含的、潜在有用的规律。提出了一种基于粗糙集理论的决策规则提取方法,通过重要度分析和属性约简,找出影响决策属性的关键因素。通过值约简,得出决策规则。运用该方法对大学生自主学习风气与能力培养之间的关系进行研究,实例分析表明,这种新的方法具有实际应用价值。     

基于粗糙集的决策规则提取

讨论了粗糙集（rough sets）在数据分析方面的应用，基于粗糙集的数据分析来源于对数据表（即信息系统）的分析。通常我们将信息系统中的属性划分为条件属性和决策属性，这种信息系统又称为决策表。对每一个决策表，都有一系列的决策规则与之相对应，这些相关的决策规则被称为决策算法。本文将给出这些决策算法的统计学特点，并与贝叶斯（Bayes’）定理相比较，从而得出基于粗糙集的数据分析方法优于贝叶斯定理。     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

基于粗糙集的决策规则提取

讨论了粗糙集（rough sets）在数据分析方面的应用，基于粗糙集的数据分析来源于对数据表（即信息系统）的分析。通常我们将信息系统中的属性划分为条件属性和决策属性，这种信息系统又称为决策表。对每一个决策表，都有一系列的决策规则与之相对应，这些相关的决策规则被称为决策算法。本文将给出这些决策算法的统计学特点，并与贝叶斯（Bayes’）定理相比较，从而得出基于粗糙集的数据分析方法优于贝叶斯定理。     

一种基于离散度的决策树改进算法

在数据挖掘中,决策树方法是一个重点研究方向．很多学者从不同角度对ID3算法进行改进和优化,提高了分类的效率和速度．本文从离散度的角度,对ID3算法进行改进．实验表明,利用改进后的算法挖掘分类规则,不仅提高了分类的正确率,而且非常高效．     

基于粗糙集理论的值约简及规则提取

结合粗糙集理论和分类规则支持度的概念,提出以值约简后实例的支持度尽可能大作为约简的目标,并给出一种值约简的算法.通过对实例分析表明,该算法能取得较好的效果.文中还讨论了规则集的性质,改进值约简算法得到一种基于粗糙集的规则挖掘算法.实验结果表明,该算法生成规则能够得到令人满意的分类正确率.     

一种基于粗糙集理论的规则核值的扩展算法

应用粗糙集的理论,提出一种基于规则核值的扩展算法。利用该算法对从信息数据进行约简,并求出规则的核值．在规则核值的基础上对规则进行扩展,从而去除规则中的冗余条件,得到更加简化的规则．     

基于粗糙集和包含度理论的决策规则提取方法

粗糙集理论是一种处理模糊和不确定知识的数学工具，正越来越被人们所重视．首先介绍了集值信息系统和粗糙集理论的相关知识，说明经典信息系统可以作为简单的集值信息系统处理。然后在集值信息系统中，以粗糙集理论为基础，引入包含度的概念，介绍包含度的几种生成方法，建立包含度的知识发现方法，最后通过具体的例子说明这种决策规则提取方法是有效的．     

一种粗糙集知识挖掘算法的实现

给出了一个基于粗糙集的知识规则的挖掘算法系统。系统具有通用性，可以对各个领域内容的数据进行挖掘。挖掘系统理论上不限定条件字段及决策字段的个数，可以对各种离散型的数据进行处理并形成规则库。     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

一种基于Rough sets生成决策树的算法改进

介绍了决策树算法的含义和构筑方法，对基于加权平均粗糙度构造决策树算法进行改进，通过实例说明了改进算法的优势。     

基于决策树的排序学习算法

基于一个修改了的决策树的分裂规则,得到了具有直观解释的排序算法,并给出了相关理论证明.实验结果表明,该算法优于感知机类和序回归类算法.     

一种基于粗糙集的决策树构造方法

决策树是一种有效的数据分类方法。传统的决策树方法是通过信息熵的计算去生成决策树的节点,计算量大。基于粗糙集理论,利用近似精度的概念来进行属性选择,构造决策树,有效地提高了效率并降低了决策树的复杂度。     

采用局部粗糙集模型的决策规则提取

研究基于局部粗糙集模型下的决策规则提取.对经典粗糙集的决策规则提取进行改进,给出局部粗糙集模型下的决策规则公式,并研究相关性质.结合局部粗糙集模型给出的规则提取公式,引入参数值α,α∈(0,1],使规则提取公式的泛化能力更强,适用性更广.通过3个实例对局部粗糙集模型决策规则提取的运用进行说明.     

基于粗糙集的最简规则提取算法

提出一种基于粗糙集理论的最简规则提取算法。该算法从已知数据的初始决策系统出发，首先通过建立可辨识矩阵进行属性约简，然后以所有约简建立一系列不同简化层次的子系统，最后对各个子系统获取带有置信度的最简决策规则。一般而言，这种方法能得到尽可能简单的规则。