基于缺省规则决策支持方法.docVIP

基于缺省规则决策支持方法 　　摘 要：利用Rough集理论的基本原理和方法，在提出一种缺省规则挖掘策略和算法的基础上，系统地描述了基于缺省规则的决策支持方法，将其应用于汽车故障诊断决策分析中。试用表明，该方法能较好地排除噪声的影响，使决策者在有限的时间和有限的知识下，作出比较合理的决策。 　　关键词： Rough集；决策支持；缺省规则；类描述；不一致性 　　中图分类号：TP301文献标志码：A 　　文章编号：1001―3695(2007)03―0082―03 　　从数据挖掘的角度来看，数据集可以分成两大类，即一致性的和不一致性的。如果一些数据具有相同的条件属性值，而具有不同的分类，则这类数据是不一致性的；否则为一致性的。在不一致性情况下，数据挖掘系统不能根据条件属性值将物体进行确定的分类。由于知识获取和知识表示等种种原因，目前大部分用于数据挖掘的数据库均存在着不一致性。?? 　　决策分析时，计算机与人一样经常被要求必须在有限的时间内迅速作出决策。有限的时间限制了可进一步获取知识的可能性，这就势必要求决策者能够在有限知识（不一致性）的情况下作出决策推理。因此应该需要一种方法，它能够处理在数据存在不一致性时的推理情形，提供一种挖掘出更多潜在的、有趣的统计信息的框架，而在这种情况下得到的知识是在仅挖掘出确定性规则时所丢失的信息。?? 　　Rough集[1]是一种基于数学概念的方法，已广泛用于处理数据的不一致性。文献[2]提出了一种有效利用集合上近似用于处理一致性的方法。随后人们提出了产生肯定规则和可能规则的方法[3]。文献[4]提出一种算法，将训练集中出现频率低的元组视为噪声，从训练集中予以剔除。文献[5]的边界区域收缩概念将对于决策来说具有较小的概率分布的对象视为噪声。文献[6]提出了从不一致性的数据中提取命题缺省规则的方法。文献[7]分析了文献[6]中算法的不足，提出的改进算法显著地提高了规则的提取效率，并有效地过滤了小概率分布。?? 　　本文系统地提出了基于缺省规则的决策支持方法，它是利用Rough集理论的基本原理和方法，提出一种有效处理不一致性的缺省规则挖掘策略，能在决策系统上确定规则的同时进行缺省规则的挖掘。 　　 　　1 决策系统与类描述 　　 　　2 基于Rough集缺省决策方法 　　2．1 缺省规则与搜索策略?? 　　在进行决策分析或数据挖掘时，为了能产生覆盖数据集中所有模式的确定性规则，则描述对象的数据库必须是完好的和含有所有必要的信息。另外，所有对象独一无二的特征也必须是已知的。只有这样，才有可能挖掘出对所有情况行之有效的确定性规则，甚至能覆盖未知对象。但在实际中，这样的理想数据是不存在的。由于人们对事物特性认识的有限性、知识表达的局限性以及数据获取的误差，可利用的大部分数据集都存在着不一致性。另外，人类专家在实际推理决策时，通常被要求在有限时间和有限知识的情况下作出推理决策。有限的知识就意味着存在不一致性，从某种意义上说，也就是要求决策者具备处理不一致性数据的决策推理能力。 　　因此，有必要在不一致的情况下也能从决策系统中吸取那些能反映正常情况或大部分情况下的模式。它虽然不一定对所有情况均是正确的，但在目前所掌握的知识前提下是正确的，这种模式就是缺省规则。 　　数据中存在噪声是不可避免的。例如，假设当一个特定的对象占数据集中对象数的1%，并且由此产生一条确定规则。由于支持这条规则的对象所占百分比极小，可以怀疑是数据中的噪声所致。为了降低噪声的影响，下面引入规则支持度的概念。 　　在进行规则挖掘时，既要考虑所产生规则的置信度，也要考虑规则的支持度。在上面的例子中，假设支持度的阈值为0.1，由于此规则的支持度为0.01，可以认为这条规则为噪声干扰所致，不作为合理的规则提交给用户。这样就能比较有效地排除噪声的干扰，提高在使用规则决策时的效率。?? 　　有了前面的定义，本文提出自下向上的搜索策略来挖掘缺省规则。首先，在第一层上，即单个属性上进行规则挖掘；第二层，即在两个属性构成的属性集上进行规则挖掘；然后进行第三层……。依此类推，直至满足预先设定支持度阈值条件。?? 　　通过上述策略对决策系统进行规则挖掘时，搜索深度是影响时间计算复杂性的重要因素。从下向上搜索得越深，则产生的规则越多，从而时间消耗就越大，并且规则的适用范围也越来越小。 　　由此可以看出：当某一规则的支持度小于支持度阈值，则所有x∈E∩X的对象在上一层节点上产生的规则，其支持度也将小于μs。因此当某一节点产生的所有规则的支持度均小于事先规定的支持度阈值μs时，则与它相关的所有上层节点所产生的规则也将小于μs。进一步，当某一层的所有节点所产生的规则的支持度均小于μs时，其所有上层节点产生的规则的支持度均小于μs，故