变精度粗糙集方法.pptVIP

3 变精度粗糙集理论 3 变精度粗糙集理论 在RST中，集合的粗糙近似和模糊之间，及不确定性与粗糙隶属间有密切的联系。为了导出用于决策概率估计的非强决策规则，应考虑交迭度，Ziarko扩展了粗糙隶属函数的思想，提出了粗糙集的一种概率方法—变精度粗糙集 。 变精度粗糙集中的β 当对象按变精度粗糙集分类时，需定义一个正确分类的阈值β。Ziarko称β为分类误差，定义区域为0≤β0.5，An等人将β定义为正确分类的比例，在这种情况下，近似范围为0.5β≤1.0，并将此技术称为强化粗糙集。 本文将β定义为0.5β≤1 β-近似 根据变精度理论的基本思想，给出如下定义 变精度粗糙集中的β 变精度粗糙集是对标准粗糙集理论的一种扩展，它通过设置阈值参数β，放松了标准粗糙集理论对近似边界的严格定义，变精度粗糙集是允许概率分类。与标准粗糙集相比，当对象在变精度粗糙集中分类时，在它的正确分类中有一个置信度，这一方面完善了近似空间的概念，另一方面也有利于根据粗糙集理论从认为不相关的数据中发现相关信息。 β值与分类精度关系 变精度粗糙集的分类质量 变精度粗糙集中的近似约简 概率规则获取 算例 1 对论域进行划分，可得如下等价类： U/C={X1, X2, X3, X4, X5} 其中：X1={n1,n4,n6}，X2={n2}，X3={n3}，X4={n5}，X5={n7} U/D={YN,YP} 其中：YN={n1,n2,n3}，YP={n4,n5,n6, n7} 求得一个β-约简为{a1,a3 }, β=0.6，则 β-粗糙近似 令：β=0.6，则β-粗糙近似分别为: β-粗糙近似 令：β=70%，则β-粗糙近似为： 求β-约简算例1 U/D={YN,YP} YN={n1, n2,n3}，YP={n4, n5,n6, n7} 令：β=0.6，求β-粗糙约简 如（1）求属性a1的分类质量 以a1对论域进行划分X1={n1, n2,n4,n6}， X2={n3, n5 ,n7} ， 因此分类质量为： 分类质量=3/7=0.431 显然属性a1不是约简。 求约简算例 U/D={YN,YP} YN={n1, n2,n3}，YP={n4, n5,n6, n7} (2)以属性集{a1,a2}对论域进行划分，我们求分类质量： X1={n1, n2,n4,n6}，X2={n3, n5,n7}， 因此分类质量为： 分类质量=3/7=0.431 显然属性集{a1,a2}不是约简。 求β-约简算例 U/D={YN,YP} YN={n1, n2,n3}，YP={n4, n5,n6, n7} 以属性集{a1,a3}对论域进行划分，我们求分类质量： X1={n1,n4,n6}，X2={n2}，X3={n3}，X4={n5,n7} 因此分类质量为： 分类质量=7/7=1 由于{a1,a3}与全部条件属性集具有相同的分类质量，且为最小的条件属性子集，因此为约简。 同理，可以求得{a4,a5}，{a5,a6}也为约简. 由β-约简{a1 ,a3}构造的概率决策规则 求β-约简算例2 对论域进行划分，可得如下等价类 U/C={X1, X2, X3, X4, X5, X6} 其中：X1={n1}，X2={n2}，X3={n3}，X4={n4,n5,n6,n9}，X5={n7}，X6={n8} YH={n2,n3,n4,n5,n6, n8}，YL={n1, n7, n9} β-粗糙近似 X1={n1}，X2={n2}，X3={n3}，X4={n4,n5,n6,n9}，X5={n7}，X6={n8} YH={n2,n3,n4,n5,n6,n8}, YL={n1, n7, n9} 令：β=70%，则β-粗糙近似为： 求β-约简算例 (1) 求整个条件属性集的分类质量：分类质量=1 (2) 求约简 由属性a1对论域进行划分，可得如下等价类 U/a1={X1, X2, X3, X4, X5, X6} 其中：X1={n1,n3,n8}，X2={n2,n4,n5,n6,n9}，X3={n7} YH={n2,n3,n4,n5,n6, n8}，YL={n1, n7, n9} 显然，显然，属性a1的分类质量小于总的分类质量，属性a1不是约简 求约简算例 由属性a1 , a2对论域进行划分，可得如下等价类 U/C={X1, X2, X3, X4, X5, X6} 其中：X1={n1}，X2={n2}，X3={n3, n8}，X4={n4,n5,n6,n9}，X5={n7} YH={n2,n3,n4,n5,n6, n8}，YL={n1, n7, n9} 分类质量=9/9=0.56，与整个属性集的分类质量相同 因此，属性子集{a1,a2}是约简。