基于粗糙集的啟發(fā)式屬性約簡算法研究.pdf

1、隨著網絡的發(fā)展和普及，數據信息急劇增長，為了獲取有用信息，傳統(tǒng)數據挖掘技術也在不斷改變，其中，基于粗糙集的處理不確定性問題的方法，將粗糙集應用到數據挖掘中，由于其自身獨特的優(yōu)點，即在對數據的處理過程中不需要任何集合外信息，這在一定程度上保證了對問題描述和處理的客觀性，從而逐漸成為一種主流方法。屬性約簡作為其核心內容，實質是剔除知識庫中某些不相關或不重要的冗余屬性，使經過約簡處理后的知識庫中的數據量維度得以大幅降低，為后續(xù)的分類或規(guī)則的提

2、取工作提供便利，同時還要保持原知識庫的分類能力或決策能力不變。人們往往希望能夠盡可能多的從信息表中刪除那些不相關或不重要的屬性，從而得到最小約簡。但是，目前尚不存在一種非常有效的方法得到最小約簡，因此，粗糙集理論的熱點和難點就是尋求快速有效的約簡算法及最小約簡，這具有極大的理論價值和現實意義。
　　本文通過對粗糙集理論和經典屬性約簡算法的深入分析研究，在此基礎上提出了兩方面的主要工作內容：
　　首先，為了在決策表中獲得更好的

3、屬性約簡組合，從信息論角度分析，在基于區(qū)分矩陣的基礎上，提出了一種改進的以條件熵作啟發(fā)信息的約簡算法。該算法將條件屬性相對于決策屬性的條件熵以及屬性值的分布情況同時加以考慮。然后用它們的比作為啟發(fā)因子，重新給出了一種度量屬性重要性的依據，并最終得到屬性約簡集。通過實驗證明，該算法能夠有效約簡屬性集，并且使大多數約簡結果獲得最簡決策規(guī)則組合。
　　其次，針對不完備決策表，本文結合沖突域的概念，首先根據沖突域中對象數目的變化情況快速求