决策域分布保持的启发式属性约简方法.pdfVIP

l762 JournalofSoftware软件学报 Vo1．25，No．8，August2014 distributionpreservationreduction．Experimentalresultsverifytheeffectivenessofdecisionregiondistributionpreservationreductionand showtheeffi ciencyofthegeneticalgorithmtosolvetheminimum attributereductionproblem ． Keywords： decision-theoreticroughsetmodel；decisionregion distribution preservationreduction；genedcalgorihtm ；attributereduction； heuristicmethod 粗糙集理论 【]是 由波兰数学家Pawlak于 1982年提出来的．它是一种处理不确定性问题的数学工具．属性约 简是粗糙集理论中的核心问题之一．通过属性约简可以减少数据冗余，从而简化决策规则．～般说来，属性约简 可以理解为保持给定决策表某种性质不变的最小属性集合L2]．目前，粗糙集理论已被成功应用于决策支持、机器 学习、数据挖掘、图像处理等众多研究领域L3J． 经典粗糙集理论在模拟人类智能对模糊和不确定性概念进行处理时缺乏容错能力，泛化能力不强．为了解 决这个问题，学者们通过在经典粗糙集模型中引入概率包含关系提 出了许多概率粗糙集模型，其中具有代表性 的有决策粗糙集模型DTRS(decision．theoreticroughsetmode1)J、0．5概率粗糙集模型 【、变精度粗糙集模型 VPRS(variableprecisionroughsetmode1)[8J和贝叶斯粗糙集模型BRS(Bayesianroughsetmode1)[等． 基于概率粗糙集模型的属性约简问题 已经取得了很多成果，例如，Inuiguchi[10]讨论了变精度粗糙集中几种 属性约简方法的关系，并强调了分析变精度粗糙集和经典粗糙集属性约简的不同之处；Mi等人 l【lJ基于变精度粗 糙集提 出了 近似分布约简和 上近似分布约简的概念，并通过可辨识矩阵提供了计算 近似分布约简和 上近似分布约简的方法；Slezak和 Ziarkofgl提出了Bayesian粗糙集模型，通过用概率增益函数来评估 Bayesian 粗糙集模型的分类质量，给出了该模型下的属性约简计算方法；Zhou和 Miao[J研究了变精度粗糙集中 间属 性约简，提出了眍 问核的概念，通过建立有序可辨识矩阵构造了获得眍 问约简的启发式算法；Yao和 Zhao[]系 统地阐述了决策粗糙集下的属性约简理论，并在研究了决策区域和决策规则的单调性以及规则的覆盖度、信任 度和决策风险等各种评价标准的基础上提出了一种泛化属性约简；Jia等人 [13J提出了一种决策风险最小化的属 性约简方法，并设计了计算决策风险最小化属性约简的启发式算法、模拟退火算法和遗传算法． 与其他概率粗糙集模型相比，决策粗糙集通过引入 贝叶斯决策步骤，给 出了用于确定正域、边界域和负域 阈值的方法．在决策论框架下，所需要的阂值可以通过具体问题的损失函数来计算．Yao等人 1【】进一步分析了决 策粗糙集和其他概率粗糙集之间的关系，并指出：通过设置不同的损失函数，可以推导出已有的几种概率粗糙集 模型；同时，YaoL15J从语义角度出发，研究了粗糙集3个域在概率意义下的语义解释，即在决策粗糙集中，正域所获 得的规则表示接受决策，边界域所获得的规则表示延迟决策，而负域所获得的规则表示拒绝决策．因此，决策粗 糙集为概率粗糙集提供了一个统一的理论框架． 目前，关于决策粗糙集理论与应用 的研 究受到越来越多的关注并且取得 了很 多研 究成果．例如，Li和 Zhou[161根据不同决策者不同的风险偏好，给出了基于决策粗糙集的乐观决策、悲观决策与中立决策的多角度决 策模型；Herbert和Yao[7]提出了博弈论粗糙集，并将其应用到决策粗糙集中代价损失函数的确定中，为最优概率 阈值的选定提供了一条新的途径；Yu等人[181提出了基于决策粗糙集的 自动聚类方法，将决策粗糙集中的风险函 数用于对聚类过程进行评估，以此来指导子类的合并过程；Zhou等人[j9]通过考虑不同的误分类代价，提出了多 类决策粗糙集模型，并将其应用到代价敏感分类中；Qian等人