基于粗糙集和相关系数分析的决策规则生成.docVIP

基于粗糙集和相关系数分析的决策规则生成 　　摘要 从不确定的信息表中进行决策规则的生成是重要的研究课题。Rough集(粗集)理论是一种处理不确定或模糊知识的重要工具，决策规则的相关系数分析能对决策规则的准确度和覆盖度进行描述。本文介绍基于rough集方法对决策表进行属性约简和属性值约简，去除决策表中与决策无关的冗余信息。在简化后得出决策规则中再基于规则的相关系数分析来实现决策表的规则生成。文中给出了利用分明矩阵化简决策表的算法和衡量决策规则的相关系数，通过具体实例对规则生成进行了详细说明。 　　关键词 Rough集；约简；核；相关系数 　　中图分类号：TP39 文献标识码：A 　　基金资助：江西省重点攻关项目(No. 20061B01002) 　　江西省教育厅科技计划项目（赣教技字[2007]28号） 　　1引言 　　Rough set(粗糙集)理论是一个处理含糊和不精确问题的数学工具[1]，已经被广泛应用在人工智能、模式识别核新材料合成等领域[2-4]。Rough集对信息系统的约简就是考察近似空间中每个等价关系是否都是必要的，能不能在保持原有的分类能力下尽可能地去删除冗余的信息，而不影响其原有区分功能。本文首先运用rough集的方法将信息系统中的决策表进行属性及属性值约简得到决策规则，然后利用相关系数分析所得出的相关规则，并通过一个实例加以说明。 　　规则的相关系数 　　（以下介绍中s代表信息表S=（U,A,V,f）） 　　（1）support用来表示在信息表中，满足规则ab的所有对象的数目。 　　supports(a,b)=card(s) 　　其中card 表示信息表中含有规则ab的对象的数目 　　（2）certainty为准确度，用来表示在规则ab中 ，若条件a为真时，规则ab为真的概率。 　　certaintys(a,b)= card(s)/ card(s) 　　其中card(s)表示满足条件a 的所有对象的数目 。 　　（3）coverage为覆盖度，表示规则ab中，b为真时，规则ab为真的概率。 　　coverage(a,b)= card(s)/ card(s) 　　其中card(s)表示满足结论b的所有对象的数目 。 　　（4）strength为规则的强度，表示在所有的规则中，规则为ab为真的概率。 　　strength(a,b)= card(s)/card(u) 　　其中card(s)表示信息系统中满足结论b的所有对象的数目 。 　　3基于Rough集的决策表约简 　　该方法是基于分明矩阵，即所有数据都是离散的。因此在进行约简以前，需要对非离散化的数据进行预处理，即数据的离散化。然后，在根据离散化后的结果移除决策表中重复的属性和对象。 　　属性约简一般步骤如下： 　　(1)写出信息系统的分明矩阵的下三角； 　　(2)根据分明矩阵写出分明函数； 　　(3)利用吸收律化简分明函数，得出最小的析取式，从中可以得到约简后的属性和属性核。 　　属性值一般约简步骤如下： 　　(1)建立分明矩阵，矩阵中只保留约简属性，填写好除对角线外的所有矩阵值； 　　(2)计算出每行（列）的分明函数，即可得出约简的属性值； 　　(3)利用约简属性值，可以得出基于决策表的决策规则。 　　约简具体流程图如下所示： 　　 　　图1 基于Rough集的决策表的约简流程 　　 　　4 应用举例 　　下表1是一张关于幸运色的信息表，其中性格、血型、性别、星座为条件属性，幸运色为决策属性。 　　表1 幸运色信息表 　　 性格 血型 性别 星座 幸运色 数目 　　1 开朗 AB 男 巨蟹座 红色 60 　　2 内向 A 男 天蝎座 蓝色 80 　　3 内向 A 男 巨蟹座 白色 40 　　4 开朗 B 女 白羊座 红色 90 　　5 开朗 B 女 白羊座 白色 70 　　6 内向 B 女 巨蟹座 白色 60 　　 　　表1中性格、血型、性别、星座、幸运色均为属性，分别记为d,b,s,c,L。现将表中的信息数字化，为此进行如下设置：（1）性格分类：开朗，内向分别数字化为1,0；（2）血型分类：A, B, AB 分别数字化0,1,2；（3）性别分类：男,女分别数字化为0,1；（4）星座分类：白羊座,巨蟹座,天蝎座分别数字化为0,1,2；（5）幸运色分类：红色,白色,蓝色分别数字化为0,1,2。 　　4．1 属性和属性值的约简 　　首先，对表2进行属性约简，其约简函数为f(x)=(dc)#160;(bc),属性d和c,或者属性b和c是其约简属性，而其核为core(a)=c。 　　表2 信息表的分明矩阵 　　 1 2 3 4 5 6 　　1 -----