Rough Sets理论概述.ppt

Rough Sets理论概述 赵素云 机器学习研究中心 2004年11月24日 主要内容 Rough Sets理论产生背景 Rough Sets基本理论 Rough Sets理论的应用领域 Rough Sets理论的局限及其改进 Rough Sets发展前景展望 Rough Sets的产生背景 边界问题的提出 Rough Sets的产生背景 Rough Sets和Fuzzy Sets比较 Rough Sets和Fuzzy Sets比较 研究对象： FS研究人类语言产生的集合边界的病态定义，即边界的不分明性； RS研究认知能力产生的集合对象之间的不可分辨性。 RS理论的几个基本概念 不可分辨关系(Indiscernibility Relation) 下近似集(lower approximation) 上近似集(upper approximation) 不可分辨关系 RS理论是基于不可分辨关系的（等价关系）。 划分的图示 Rough Sets示意图 Rough Sets示意图 RS的约简理论 RS理论的核心内容。 主要思想：保持相对分类能力不变的条件下，删除冗余的、不必要的属性或属性值，达到知识简化的目的。 基本概念：约简（Reduct）、核（Core） 相对约简（Relative Reduct）、相对核(Relative Core)等。 RS的约简理论 示例的不一致 属性集的相对核 是属性集的核心部分 合适唯一的，确定的。 属性集的相对核 属性集的相对核 属性集的相对核 属性集的相对核 属性集的相对核 属性集的相对约简 属性集的相对约简即是保持条件属性相对于决策属性分类能力不变的最小条件属性子集。 相对约简不是唯一的。 相对约简与相对核之间的关系： 所有相对约简的交等于相对核。 属性集的相对约简 属性集的相对约简 属性集的相对约简 属性集的相对约简 属性集的相对约简 属性集的相对约简 属性集的相对约简 简化“儿童玩具”信息表 删除信息表中的列（删除多余的属性） 合并重复的行 删除信息表中的点（删除不必要的属性值） “玩具喜好”信息表的简化结果 “脊椎动物”信息表的简化 最小规则集 Rough Sets理论的应用领域 人工智能，专家系统 决策支持系统 知识与数据发现 模式识别与分类 故障检测，开关电路 信息系统分析，归纳推理 Rough Sets理论的局限及其改进 缺乏对噪音数据的适应能力，对于数据的扰动较敏感。 在计算 reduct 过程中，易产生组合爆炸。计算出所有约简的时间复杂度是指数的。 适用于符号型数据库，对于原始模糊数据处理能力较弱。 变精度Rough Sets模型 Pawlak 提出的 RS 模型的一个局限是它所处里的分类是完全的、肯定的，严格按等价类来分类的。没有某种程度上的“灵活性”，对于噪音较敏感。 另一个局限是从模型中得到的结论仅适用于这些对象集。但实际应用中, 需要将小规模的对象集中得到的结论应用于大规模的对象集中去。 变精度Rough Sets模型 模糊Rough Sets模型 模糊Rough Sets模型 模糊Rough Sets模型 有待解决的问题： 阈值如何选取，才能使得学习得到的结果最佳？ 该模型应用于处理连续型数据，是否可行？是否比先离散化，再进行知识简化的方法好？如果好的话，其优势又体现在哪里？ 将该模型改进，用于处理连续值不完备信息系统，是否可行？ Rough Sets发展前景展望 RS理论虽然在实际生活中得到了广泛应用，但仍有许多问题尚待解决，如RS对大规模数据集处理能力较弱；只能处理静态数据库，不能实时（on line）动态处理数据等。 基于RS哲学的不精确推理的逻辑，是重要的课题之一。 基于RS对神经网络和遗传算法方法的开发也很重要。 Rough控制，即基于RS理论的控制也是一个很有前途的应用领域。 RS理论与非标准分析、非参数统计学及定性物理学之间的关系是另一项重要课题。 谢 谢！ 中立 木材 光滑的 硬 大 绿色 J=5 肯定 长毛绒 有毛的 软 小 黄色 J=9 肯定 木材 光滑的 硬 大 绿色 J=8 肯定 塑料 粗糙的 软 小 黄色 J=7 肯定 金属 粗糙的 硬 小 黄色 J=6 中立 木材 有毛的 适中 中 红色 J=4 中立 塑料 光滑的 适中 中 绿色 J=3 否定 木材 有毛的 适中 中 蓝色 J=2 否定 塑料 粗糙的 硬 大 蓝色 J=1 喜爱与否 制作材料 质感 手感 尺寸 颜色 论域 肯定 绿色 5（1） 肯定 黄色 4（3） 中立 红色 3（1） 中立 绿色 2（2） 否定 蓝色 1（2） 喜爱与否 颜色 论域 语言描述： 如果玩具是蓝色，则儿童不喜欢。 如果玩具是黄