RS理论上连续属性的离散化方法研究.pdfVIP

RS理论中连续属性的离散化方法 苗夺谦 王 迁 (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，而绝大多数现实的数据库既包含了离 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 墓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。 关键词 RoughSet理论、离散化、动态层次聚类 1.引言 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 川[7)。该理论为处理离散属性提供了一种很好的工具，但遗撼的是它不能直接处理连续 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理论的应用范围是很有限的[81。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· _._ 在目前己有的文献中，归纳起来有三种处理连续属性的方法。为了便于做对比分VT. 现分别介绍如下: (I)s方法:Slowinski.K在文[[9]中研究医疗诊断决策表的rough分类时，遇到了连续 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0,1,2,-二进行编码。Slowinski.K是利用专家提供的领域知识进行 连续属性离散化的。 (2)H方法:Hu.X.H[4]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[5)中，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(划分)质量的期望值E以Ul，，一，Uk)。算法以属性的一个初始离散化(一般是 将区间等间隔分割)开始。在以后的每一步中，总是删除使得E以U,，...,Uk)增量最大的 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。我们说明、只要对距离函数及闲值适当定义，那么，Pawlak关于离散 ‘ ’本文得到国家高技术课题863项1l的资助 - 839- 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。 2.基于动态层次聚类的连续属性离散化算法 设T=U,CuD,V,f是一个决策表，其中U二{{xl,...,x.)，C、D分别为条 件与决策属性集。令CEC为一连续属性，凡二[a,bl. 本节我们将给出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 域U中的所有对象x;在某连续属性。上的取值C(xj)可以看作是随机采集的一组数据。 那么，对这组数据可以根据某种相似度进行聚类分析，从而得到关于U的一种划分。对 于一个决策表而言，如果条件属性的划分较粗，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 续型决策表，由于各属性取很多不同的值，一般来说，它应是相容的。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闽值了。由 上面的分析知道，可以通过划分后决策表的相容性反馈信息，来逐步调整阖值，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