粗糙集论及其应用.pptVIP

粗糙集理论及其应用 主要内容 ?? 粗糙集发展历程 粗糙集的基本理论介绍 ?? 粗糙集的属性约简算法研究 ?? 粗糙集的扩展模型 在文本分类中的应用 现有工具简介 粗糙集发展历程 1970s，Pawlak和波兰科学院、华沙大学的一些逻辑学 家，在研究信息系统逻辑特性的基础上，提出了粗糙集理 论的思想。 在最初的几年里，由于大多数研究论文是用波兰文发表 的，所以未引起国际计算机界的重视，研究地域仅限于东 欧各国。 1982年，Pawlak发表经典论文《Rough sets》，标志着 该理论正式诞生。 1991年，Pawlak的第一本关于粗糙集理论的专著 《Rough sets: theoretical aspects of reasoning about data》； 粗糙集发展历程 1992年，Slowinski主编的《Intelligence decision support: handbook of applications and advances of rough sets theory》的出版，奠定了粗糙集理论的基础，有 力地推动了国际粗糙集理论与应用的深入研究。 1992年，在波兰召开了第一届国际粗糙集理论研讨会，有 15篇论文发表在1993年第18卷的 《Foundation of computingand decision sciences》上。 1995年，Pawlak等人在《ACM Communications》上发表 “Rough sets”，极大地扩大了该理论的国际影响。 粗糙集发展历程 1996～1999年，分别在日本、美国、美国、日本召开了 第4-7届粗糙集理论国际研讨会。 2001～2002，中国分别在重庆、苏州召开第一、二届粗 糙集与软计算学术会议。 2003年，在重庆召开粗糙集与软计算国际研讨会。 2004年，在瑞典召开RSCTC国际会议（年会） 。 2005年，在加拿大召开RSFDGrC国际会议（年会）。 …… 主要内容 ?? 粗糙集发展历程 粗糙集的基本理论介绍 ?? 粗糙集的属性约简算法研究 ?? 粗糙集的扩展模型 在文本分类中的应用 现有工具简介 粗糙集的基本理论介绍 主要优点 除数据集之外，无需任何先验知识（或信息） 对不确定性的描述与处理相对客观 …… 【说明】：Bayes理论（先验分布 ）、证据理论（隶 属度函数）等都需要先验知识，具有很大的主观性。 粗糙集理论在知识发现中的作用 在数据预处理过程中，粗糙集理论可以用于对特征更 准确的提取 在数据准备过程中，利用粗糙集理论的数据约简特性， 对数据集进行降维操作。 在数据挖掘阶段，可将粗糙集理论用于分类规则的发 现。 在解释与评估过程中，粗糙集理论可用于对所得到的 结果进行统计评估。 粗糙集理论的基本概念 “知识”的定义 使用等价关系集R对离散表示的空间U进行划分，知识就是R对U划分的结果。 “知识库”的形式化定义 等价关系集R中所有可能的关系对U的划分 表示为：K = (U, R) 粗糙集理论的基本概念 “信息系统”的形式化定义 S = {U, A, V, f}， U：对象的有限集 A：属性的有限集，A=C?D，C是条件属性子集，D是决策属性子集 V： ， Vp是属性P的域 f：U × A → V是总函数，使得 对每个xi ? U, q ? A, 有f(xi, q) ? Vq 一个关系数据库可看作一个信息系统，其“列”为“属性”，“行”为“对象”。 粗糙集理论的基本概念 等价关系示例： 等价关系示例： 可知， U = {1, 2, 3, 4, 5, 6} R = 2{ weather, road, time, accident } 若P = {weather, road}，则 [x] IND(P) = [x] IND{weather} ? [x] INP{road} = { {1, 3, 6}, {2, 5}, {4} }?{ {1, 2, 4}, {3, 5, 6}} = { {1}, {2}, {4}, {3, 6}, {5} } 集合的上近似 下近似 在信息系统S = {U, A, V, f}中，设X?U是个体全域上的子集，P?A，则X的下和上近似集及边界区域分别为： 集合的上、下近似概念示意图 近似精度 分类质量 设S = {U, A, V, f}为一信息系统，且X?U， P?A，则 S上X的近似精度为： 近似精度 分类质量 属