粗糙集相关知识及举例实现.pptVIP

粗糙集理论 汇报人 李哲 导师：桑秀丽 汇报框架 1 背景介绍 2 方法介绍 3 实例分析 软件操作 背景介绍 粗糙集理论，是继概率论、模糊集、证据理论之后的又一个处理不确定性的数学工具。 在自然科学、社会科学和工程技术的很多领域中，都不同程度地涉及到对不确定因素和对不完备信息的处理。从实际系统中采集到的数据常常包含着噪声，不够精确甚至不完整。采用纯数学上的假设来消除或回避这种不确定性，效果往往不理想。反之，如果正视它对这些信息进行合适地处理，常常有助于相关实际系统问题的解决。 1982年波兰学者Z. Paw lak 提出了粗糙集理论——它是一种刻划不完整性和不确定性的数学工具，能有效地分析不精确，不一致（inconsistent)、不完整（incomplete) 等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律 粗糙集能有效地处理下列问题： ·不确定或不精确知识的表达； ·经验学习并从经验中获取知识； ·不一致信息的分析； ·根据不确定，不完整的知识进行推理； ·在保留信息的前提下进行数据化简； ·近似模式分类； ·识别并评估数据之间的依赖关系 方法介绍 1 知识的含义 在粗糙集理论中，“知识”被认为是一种分类能力。人们的行为是基于分辨现实的或抽象的对象的能力，如在远古时代，人们为了生存必须能分辨出什么可以食用，什么不可以食用；医生给病人诊断，必须辨别出患者得的是哪一种病。这些根据事物的特征差别将其分门别类的能力均可以看作是某种“知识”。 2 不可分辨关系与基本集 分类过程中，相差不大的个体被归于同一类，它们的关系就是不可分辨关系。假定只用两种黑白颜色把空间中的物体分割两类，{黑色物体},{白色物体},那么同为黑色的两个物体就是不可分辨的，因为描述它们特征属性的信息相同，都是黑色. 基本集定义为由论域中相互间不可分辨的对象组成的集合，是组成论域知识的颗粒 3 集合的下近似，上近似及边界区 X的下近似： R*(X)={x:(x?U)? ([x]R?X )} X的上近似： R*(X)={x:(x?U)? ([x]R?X?? )} 下近似包含了所有使用知识R可确切分类到X的元素;上近似则是包含了所有那些可能是属于X的元素的最小集合。 U U/R R : subset of attributes setＸ 实例分析 具有条件属性与决策属性的知识表达系统叫做决策表 实例分析 在决策表中U={e1,e2,…,e8},C={头痛，肌肉疼，体温}，D={流感} 令C1=头痛，C2=肌肉痛。C3=体温，则 U/C1={{e1,e2,e3},{e4,e5,e6,e7,e8}} U/C2={{e1,e2, e3, e4,e6,e8},{e5,e7}} U/C3={{e1,e4},{e2 ,e5,e7},{e3,e6,e8}} U/{C2,C3}={{e1,e4},{e2},{e5,e7},{e3,e6,e8}} U/{C1,C2}={{e1,e2,e3},{e4,e6,e8},{e5,e7}} U/{C1,C3}={{e1},{e2},{e3},{e4},{e5,e7},{e6,e8}} U/C={{e1},{e2},{e3},{e4},{e5,e7},{e6,e8}} U/D={{e2,e3,e6,e7},{e1,e4,e5,e8}} 实例分析 Posc(D)={e1}U{e2}U{e3}U{e4} K=?C(D)=Posc(D)/U=4/8=0.5 Pos(C-C1)(D)={e1,e2,e4}?Posc(D) Pos(C-C2)(D)={e1,e2,e4}=Posc(D) Pos(C-C3)(D)={e1,e2,e4}?Posc(D) Pos(C-{C1,C2})(D)={e1,e2,e4}?Posc(D) Pos(C-{C2,C3})(D)={e1,e2,e4}?Posc(D) 所以C2为冗余属性，即可以删除的属性，所以C的D约简为C-{C2}={C1,C3} 实例分析 令C和D分别为条件属性和决策属性，属性集C’?C关于D的重要性定义为 ?CD(C’)=?C(D)-?C-C’(D) 在上述例子中，可以得到 ?CD(头痛)=4/8-3/8=1/8 ?CD(肌肉痛)=4/8-4/8=0 ?CD(体温）=4/8-0=4/8