RS理论上连续属性的离散化方法.pdfVIP

RS理论中连续属性的离散化方法 苗夺谦 王珏 (山西大学) (中国科学院自动化研究所) 摘要 传统的RS理论只能对离散属性进行处理，雨绝大多数现实的数据库既包禽了离 散属性，又包含了连续属性。本文利用决策表相容性的反馈信息，提出了一种领域独立的 基于动态层次聚类的连续属性离散化算法。该方法为RS理论处理离散与连续属性提供了 一种统一的框架，从而极大地拓广了Rs理论的应用范围。通过一些例子将本算法与现有 方法进行了比较分析，得到令人鼓舞的结果。 Set理论、离散化、动态层次聚类 关键词 Rouga 1．引亩 Pawlak．Z提出的RoughSet(RS)理论是一种新的处理不精确、不确定知识的数学理论 f1][7l。该理论为处理离散属性提供了一种很好的工具，但遗憾的是它不能宜接处理连续 属性。而绝大多数现实的数据库既包含了离散属性，同时又包含了连续属性。因此，传统 RS理论的应用范围是报有限的f8】。将Rs理论拓广到能够处理连续属性，这既是Rs理论 发展的要求，也是实际应用的需要。 在目前已有的文献中，归纳起来有三种处理连续属性的方法。为了便于做对比分析， 现分别介绍如下： 属性的问题。要利用RS理论处理这类数据，就必须将它们转换成定性词汇，象“低”、 “中”、“高”等。在医疗诊断的实践中，这种转换通常是根据专家的经验标准来完成的。 然后，对定性词汇用数字O，1，2，…进行编码。Slowinski．K是利用专家提供的领域知识进行 连续属性离散化的。 f2)H方法：Hu．X．H[41把连续属性的离散化看作是面向属性的泛化问题。泛化是通过 该属性的概念树进行的。概念树是由领域专家事先提供的。如果对该属性没有提供高层概 念，这时，该算法将这个属性删除。 (3)L方法：Lenarcik．A在文f5冲，把原信息系统看成是随机信息系统。在此基础上， 定义了离散(戈0分)质量的期望值E“u1，．一，仉)。算法以属性的一个初始离散化(～般是 将区间等问隔分割)开始。在以后的每一步中，总是删除使得E“Ul，．一，U々)增量最大的 毒 分点；直到删除每个剩余分点时，划分质量的值不再增加，算法停止。这种方法类似于线 性规划中参数的后向删除，导出的是次优结果。 本文利用决策表相容性的反馈信息，提出了一种领域独立的基于动态层次聚类的连续 属性离散化算法。我{f3说明，只耍对距离函数及阈值适当定义，那么，Pawlak关于离散’ ’本文得到圆家高技术课题863项目的资助 ——838一 属性等价类的定义便是本算法的特例。也就是说，本方法为Rs理论处理离散与连续属性 提供了一种统一的框架。通过一些铡子将本算法与现有方法进行了比较分析．得到令人鼓 舞的结果。 2．基于动态层次聚类的连续属性离散化算法 件与决策属性集。令cEC为一连续属性，n=f口，b1。 本节我们将给iU一种基于动态层次聚类的离散化算法。首先对算法作些定性分析，论 羹 域u中的所有对象x，在某连续属性C上：的取值c(x，)可以看作是随机采集的一组数据。 那么，对这组数据可咀根据某种相似度进行聚类分析，从而得到关丁．u的一种划分。对 于一个决策表面畜，如果条件属性的划分较糨，则可能导致划分后的决策表不相容；如果 划分较细，则可能使划分后的决策表中仍然含有很多冗余信息，使得约简率较低。对于连 ● 续型决策袁，由于各属性取很多不同的值，一般来说，它应楚相容的。因此，离散后的决 策表一般应保持其相容性。故我们对连续属性离散化的目标是：在保证划分后决策表的相 容性的前提下．寻找使得约简效率最高的划分。 所谓层次聚类算法，就是根据某种聚类准则(如误差平方和准则)将n个样本逐步分成 k类(kn)。对于聚类分析来说，当相似性测度确定之后，影响聚类大小的就是阈值了。由 上面的分析知道，可以通过划分后决策袭的相容性反馈信息，来逐步调整闺值，从而得到 连续属性的理想划分。 因为本文对决策表的属性是一一处理