粗糙集在员工考评系统中的应用
粗糙集理论在信息系统建模中的应用技巧
粗糙集理论在信息系统建模中的应用技巧引言：信息系统建模是现代科技发展的重要组成部分，它在各个领域都有广泛的应用。
而粗糙集理论作为一种有效的数据分析方法，在信息系统建模中也发挥着重要的作用。
本文将探讨粗糙集理论在信息系统建模中的应用技巧，并探讨其优势和局限性。
一、粗糙集理论概述粗糙集理论是由波兰学者Pawlak于1982年提出的，它是一种处理不确定性和不完备性数据的数学模型。
粗糙集理论的核心思想是通过粗糙集的近似描述来处理信息系统中的不确定性问题。
它通过对数据进行粗化和约简，找出数据之间的关联性和规律性，从而实现对信息系统的建模和分析。
二、粗糙集理论在信息系统建模中的应用技巧1. 数据预处理在信息系统建模中，数据预处理是非常重要的一步。
而粗糙集理论可以通过对数据进行粗化和约简，减少数据的复杂性，提高数据处理的效率。
通过对数据进行预处理，可以去除冗余信息，减少数据的维度，从而提高数据的质量和可靠性。
2. 特征选择在信息系统建模中，特征选择是非常关键的一步。
而粗糙集理论可以通过对数据进行约简，找出最重要的特征，从而减少特征的数量，提高建模的效果。
通过粗糙集理论的特征选择方法，可以降低建模的复杂度，提高建模的准确性。
3. 规则提取在信息系统建模中，规则提取是非常重要的一步。
而粗糙集理论可以通过对数据进行粗化和约简，找出数据之间的关联性和规律性，从而提取出有效的规则。
通过粗糙集理论的规则提取方法，可以帮助建模者更好地理解数据，从而提高建模的可解释性。
三、粗糙集理论的优势和局限性1. 优势粗糙集理论具有较强的适应性和灵活性，可以处理各种类型的数据。
它不依赖于数据的分布和假设，适用于各种复杂的信息系统建模问题。
同时，粗糙集理论具有较好的可解释性，可以提取出易于理解的规则，帮助建模者更好地理解数据。
2. 局限性粗糙集理论在处理大规模数据时存在计算复杂度较高的问题。
由于粗糙集理论需要对数据进行粗化和约简，对于大规模数据的处理会消耗较多的计算资源。
粗糙集理论的实际应用场景
粗糙集理论的实际应用场景粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具，它在现实生活中有着广泛的应用场景。
本文将探讨粗糙集理论在数据挖掘、医学诊断和金融风险评估等领域的实际应用。
数据挖掘是当今信息时代的热门领域，而粗糙集理论在数据挖掘中发挥着重要作用。
通过粗糙集理论，我们可以从大量的数据中提取出有用的信息和规律。
例如，在市场营销中，企业可以利用粗糙集理论分析消费者的购买行为和偏好，从而制定更精准的营销策略。
此外，粗糙集理论还可以应用于图像识别、语音识别等领域，帮助计算机更好地理解和处理复杂的信息。
医学诊断是另一个粗糙集理论的重要应用领域。
在医学诊断中，患者的病情常常是复杂和模糊的，而粗糙集理论可以帮助医生进行更准确的诊断。
通过将患者的病情和症状进行模糊化处理，然后利用粗糙集理论进行分类和判断，医生可以更好地了解患者的病情和病因，并制定出更科学的治疗方案。
此外，粗糙集理论还可以应用于医学图像分析、基因识别等领域，帮助医生更好地理解和分析医学数据。
金融风险评估是金融领域中一个重要的应用场景。
在金融市场中，风险是无处不在的，而粗糙集理论可以帮助金融机构更好地评估和管理风险。
通过对金融数据进行模糊化处理，然后利用粗糙集理论进行分类和分析，金融机构可以更准确地评估不同投资产品的风险水平，并采取相应的风险控制措施。
此外，粗糙集理论还可以应用于信用评级、投资组合优化等领域，帮助金融机构更好地进行风险管理和决策。
除了上述应用场景，粗糙集理论还可以在许多其他领域发挥作用。
例如，在工程设计中，粗糙集理论可以帮助工程师更好地分析和处理不确定性因素，从而提高设计的可靠性和稳定性。
在城市规划中，粗糙集理论可以帮助城市规划师更好地理解和分析城市的发展趋势和需求，从而制定更科学和合理的规划方案。
在环境保护中，粗糙集理论可以帮助环保部门更好地评估和管理环境污染的风险和影响。
综上所述，粗糙集理论在数据挖掘、医学诊断、金融风险评估等领域有着广泛的应用。
粗糙集理论在公务员综合评价中的应用
Ｕ ／ ｉ ｎ ｄ （ Ｒ 一 ｛ Ｒ 。 ） ） ＝ （ （ ｘ １ ， Ｘ ） ， （ ｘ ２ ’ ｘ ７ ， ｘ ｝ ， ｛ ｘ ， ｝ ， ｛ Ｘ ４ ｝ ， ｛ ｘ ６ 】 ） ＃Ｕ ／ ｉ ｎ ｄ （ Ｒ ）
对 于 关 系Ｒ ． 有： Ｕ ， ｉ ｎ ｄ （ Ｒ 一 ｛ ） ＝ （ ｛ ｘ １ ， Ｘ ５ ） ， ｆ ｘ ２ ， ｘ ） ， ｛ ｘ ， ｝ ， ｘ ４ １ ， ｘ ６ ｝ ， ｛ ｘ Ｔ ｝ ｝ ＝ Ｕ ／ ｉ ｎ ｄ （ Ｒ ）
评 价 的 因素 ． 旨在 为公 务 员 管理 部 门提 供 参 考 。
关键词 ： 粗糙 集理 论
引 言
公 务 员综 合 评 价
知识约 简
粗 糙 集 理 论 是 一 种 刻 画具 有 不 完 整 性 和 不 确 定 性 信 息 的 全 新 数 学 工 具 。其 主 要 思 想 是 在 保 证 知 识 库 分 类 能 力 不 变 的 前提下 ． 通过 知识 约简 导 出 问题 的决 策 或 分 类 规 则 。 该理论 已 经在数 据挖掘 、 机器学 习 、 过程控 制 、 决 策 分 析 和 模 式 识 别 等 领 域 得 到 了广 泛 应 用 。 传 统 公 务 员 综 合 评 价 无 法 对 成 绩 进 行 量 化计 算 ，进 而 无 法 准 确 地 反 映 公 务 员 的综 合 评 价 ，本 文 应 用 粗糙 集 中 的 知 识 约简 ． 将其应用到公务员综合评 价分析中 ， 剔 除不 必 要 的 评 价 项 目， 保 留重 要 的 评 价 项 目， 并且 给出权重 ， 得 出 更 为 准 确 的 公务员综合评价成绩。
一
Ｕ ／ ｉ ｎ ｄ （ Ｒ － ｛ Ｒ ３ ） ） ＝ ｛ （ ｘ 。 ， ｘ ｝ ， （ ｘ ２ ， ｘ 。 ） ， ｛ ｘ ３ ｌ ， ｛ Ｘ ４ ｝ ， ｛ ｘ ） ， ｛ ｘ Ｔ ｝ ｝ ＝ Ｕ ／ ｉ ｎ ｄ （ Ｒ ）
掌握粗糙集理论在机器学习中的高效应用方法
掌握粗糙集理论在机器学习中的高效应用方法近年来，机器学习技术的快速发展为我们提供了许多强大的工具和方法来解决实际问题。
而粗糙集理论作为一种重要的数据分析方法，已经被广泛应用于机器学习领域。
本文将介绍如何高效地应用粗糙集理论在机器学习中，以提高数据分析和模型构建的效率和准确性。
一、粗糙集理论简介粗糙集理论是由波兰学者Zdzislaw Pawlak于1982年提出的一种数据分析方法。
它基于近似推理和不确定性的概念，通过对数据集进行粗化和细化操作，从而得到数据的粗糙和精确描述。
粗糙集理论主要包括近似集合、属性约简和决策规则等概念和方法。
二、粗糙集理论在特征选择中的应用特征选择是机器学习中非常重要的一步，它能够从原始数据中选择出最具代表性的特征，提高模型的准确性和泛化能力。
而粗糙集理论提供了一种有效的方法来进行特征选择。
通过计算属性的重要性和依赖度等指标，可以得到数据集的属性约简，从而减少特征的数量，提高模型的效率和可解释性。
三、粗糙集理论在分类问题中的应用分类是机器学习中最常见的任务之一。
而粗糙集理论可以帮助我们构建有效的分类模型。
通过计算属性的依赖度和决策规则等指标，可以得到数据集的决策规则集合，从而实现对数据的分类和预测。
此外，粗糙集理论还可以通过属性约简和决策规则的合并等操作，提高分类模型的准确性和泛化能力。
四、粗糙集理论在聚类分析中的应用聚类分析是机器学习中另一个重要的任务，它能够将数据集中的对象划分为若干个相似的组。
而粗糙集理论可以帮助我们进行有效的聚类分析。
通过计算对象之间的相似度和属性的重要性等指标，可以得到数据集的粗糙聚类结果。
此外，粗糙集理论还可以通过属性约简和对象的合并等操作，提高聚类模型的准确性和稳定性。
五、粗糙集理论在异常检测中的应用异常检测是机器学习中重要的一项任务，它能够帮助我们发现数据中的异常行为和异常对象。
而粗糙集理论可以提供一种有效的方法来进行异常检测。
通过计算对象的异常度和属性的重要性等指标，可以得到数据集的异常检测结果。
基于粗糙集理论的科技人才流动绩效评价研究
基 于 粗 糙 集 理 论 的科 技 人 才 流动 绩 效 评价 研 究
叶晨 炫 ，张 元标
（．暨南大学珠 海学院教 学建模创新 实践基地 ； １ ２ ．暨南大学包装 工程研 究所 ，广 东珠 海 ５ ９ ７ ） １０ ０
摘 要 ： 以科 技 人 才 流 动 绩 效 评 价 指 标 体 系为 依 据 ，采 用基 于 粗 糙 集 理 论 的 综 合 评 价 方 法 ， 对 ２ ０ ２０ ０ １— ０ ６年 上 海 市科 技 人 才 流 动 绩 效进 行 评 价 ，并根 据 绩 效 评 价 值 与 流 动 增 长 率 的 相 关性 分 析 ，提 出提 高科 技 人 才 流 动增 长 率的建议。 关 键 词 ：粗糙 集 理论 ；属性 约 简 ；科 技 人 才 流 动 ；绩 效评 价 中 图 分 类 号 ：Ｃ ６ ９２ 文献 标 识 码 ：Ａ 定 义 ４ （ 糙 集 的上 、 ：粗 下逼 近 ） 于 信 息 系统 Ｓ ＝ （ Ａ， 对 Ｕ，
，
…
，
｛ Ｓ的 Ｐ正 域记 为ｐ ｓ （ ） 即 Ｏ Ｓ ， ｏ Ｓ ， Ｓ（ ）＝ ＵＰ 一（ ． 。 Ｘ ） 若
．
完整的多层次评价指标体 系 ，并运用综 合指 数评价法 进行 了 评价 ；纪建悦等人通过建立科 技人才 流动绩 效的指标评 价体 系 ，采用因子分析法对科技人才绩效进行了研究 。 。
系 ｉｄ Ｂ） ｎ（ ： ｉｄ Ｂ）＝ ｛ ， ｎ（ （ ）∈ Ｕ ×ＵＩ Ｌ∈Ａ＇ ， ） ＝ ｙ ） ＶＯ ／ ａ ａ｝
分 类 ＵＩ ｎ （ ＝ ｛ ，Ｘ ， ， ， Ｐ 的信 息 量 记 为 ’ ： ｄ Ｐ） ｉ Ｘ ， ２ … Ｘ ｝则
主
ｉ＝ １
［ ］ ・ 一 砉Ｘ 一 ・Ｉ ｉ ２
如何使用粗糙集理论解决复杂系统的分析问题
如何使用粗糙集理论解决复杂系统的分析问题粗糙集理论是一种用于解决复杂系统分析问题的有效方法。
它源于20世纪80年代初，由波兰学者Pawlak提出，并逐渐发展成为一种重要的数据挖掘和知识发现技术。
粗糙集理论的核心思想是通过模糊和粗糙的概念，对数据进行描述和分析，从而揭示系统内部的规律和关系。
在使用粗糙集理论解决复杂系统分析问题时，首先需要对系统进行建模。
建模是指将复杂的系统抽象成一组属性和关系的集合，以便于进行分析和推理。
建模的关键在于选择合适的属性和关系，以及确定它们之间的相互作用方式。
在这个过程中，我们可以利用领域知识、统计方法和数据挖掘技术等手段，对系统进行全面而准确的描述。
建模完成后，接下来是利用粗糙集理论进行数据分析。
粗糙集理论的核心工具是粗糙集近似算法，它能够在不完备和不确定的情况下，对数据进行有效的近似和推理。
具体而言，粗糙集近似算法通过对数据集进行粗化和约简操作，将数据集中的不相关和冗余信息剔除，从而得到一个更简洁和有效的数据表示。
这样一来，我们就可以更好地理解和分析数据，发现其中的规律和关系。
在进行数据分析时，我们还可以借助粗糙集理论的一些衍生技术，如粗糙集聚类和粗糙集分类等。
粗糙集聚类是一种无监督学习方法，它能够将数据集中的对象划分成若干个不相交的类别，每个类别内部的对象相似度较高，而不同类别之间的相似度较低。
通过粗糙集聚类，我们可以对复杂系统中的对象进行分类和聚类，从而更好地理解和描述系统的结构和行为。
另外，粗糙集分类是一种基于规则的分类方法，它能够根据已有的数据和知识，对新的对象进行分类和预测。
粗糙集分类的核心思想是通过建立决策规则，将对象映射到相应的类别或属性值上。
通过粗糙集分类，我们可以对复杂系统中的对象进行预测和决策，从而指导实际应用和决策制定。
除了数据分析和建模，粗糙集理论还可以应用于多领域的问题解决。
比如，在医学领域，粗糙集理论可以用于疾病诊断和治疗方案选择等问题；在金融领域，粗糙集理论可以用于风险评估和投资决策等问题；在工程领域，粗糙集理论可以用于系统优化和故障诊断等问题。
人工智能作业
粗糙集技术在人力资源管理中的应用姓名：学号：专业：学科：目录1、背景 (1)2、粗糙集理论的相关知识 (1)2.1粗糙集 (1)2.2决策表的约简 (2)3、粗糙集技术在人力资源管理中的应用 (6)3.1、数据提取和离散化 (6)3.2、决策表的一致性检查 (8)3.3、属性约简 (8)3.4、属性值约简 (9)4、结语 (11)5、参考文献 (11)粗糙集技术在人力资源管理中的应用1、背景随着社会的不断进步，市场竞争变得尤为激烈，现代企业之间的竞争其实质上就是人才战略的竞争，所以企业对人力资源管理的关注提高到了一个空前高度。
与此同时，人力资源管理在企业管理中的地位，也被提升到了战略决策支持的高度。
目前，企业的人力资源管理正在经历着从事务性管理角色向战略合作伙伴的转型，借助于信息化系统是转型的必由之路。
随着人力资源管理思想以及信息技术的不断向前发展，人力资源管理信息化系统也在不断的发展和完善。
在现代企业中人才流失已经成为普遍现象，本文在企业智能决策中引入了数据挖掘的粗糙集算法，利用先进的计算理念从现有的企业员工信息中挖掘出跳槽人员的特征，为人事部门制定合理的人才管理策略提供科学的决策依据。
2、粗糙集理论的相关知识2.1粗糙集粗糙集（Rough Set，Rs）是由波兰数学家Z.Pawlak于1982年提出的一种处理含糊概念的数学工具。
它不需要任何附加或额外条件，就可以直接由数据构成的决策表进行推理，具有很多独特的优越性。
目前，粗糙集已被成功应用在数据挖掘、机器学习、决策支持系统、模式识别、故障检测等众多领域。
2.2决策表的约简运用粗糙集技术进行数据挖掘和关联规则的提取时，其主要任务就是基于粗糙集属性的约简方法。
在粗糙集理论中，研究的主体和出发点是以数据表形式表示的信息，这种数据表通常被称为信息系统或只是表达系统。
其定义如下。
信息系统是一个四元组IS=(U,A,V,F)其中，U是对象的有限非空集合，也称为域；A为属性的有限非空集合；V是属性的值域集合；f是映射函数，即f：U×A→V。
粗糙集理论的属性重要性评估方法及其实际应用
粗糙集理论的属性重要性评估方法及其实际应用引言：粗糙集理论是一种用于处理不确定性和模糊性问题的数学工具，它在数据挖掘、模式识别和决策分析等领域中得到了广泛的应用。
在粗糙集理论中，属性重要性评估是一个重要的问题，它能够帮助我们识别出对决策结果具有重要影响的属性，从而提高决策的准确性和可靠性。
本文将介绍一种基于粗糙集理论的属性重要性评估方法，并探讨其在实际应用中的价值。
一、粗糙集理论概述粗糙集理论是由波兰学者Pawlak于1982年提出的，它是一种处理不确定性和模糊性问题的数学工具。
粗糙集理论通过将对象的属性进行划分，将属性值之间的差异进行模糊化处理，从而实现对不完备和不精确数据的分析和决策。
粗糙集理论的核心思想是近似和约简，即通过近似的方法对数据进行简化和压缩，从而提取出最重要的信息。
二、属性重要性评估方法在粗糙集理论中，属性重要性评估是一个关键问题。
属性重要性评估的目标是确定哪些属性对决策结果的影响最大，从而帮助我们进行决策和分析。
常用的属性重要性评估方法有正域、核和约简等方法。
1. 正域方法正域方法是一种基于粗糙集的属性重要性评估方法。
它通过计算属性在正域中的覆盖度来评估属性的重要性。
正域是指在给定条件下能够唯一确定决策结果的属性取值，它反映了属性对决策结果的贡献程度。
正域方法的优点是简单直观，容易理解和计算，但它没有考虑属性之间的依赖关系。
2. 核方法核方法是一种基于粗糙集的属性重要性评估方法。
它通过计算属性在核中的约简度来评估属性的重要性。
核是指在给定条件下能够唯一确定决策结果的最小属性集合，它反映了属性对决策结果的决定性影响。
核方法考虑了属性之间的依赖关系，能够更准确地评估属性的重要性，但计算复杂度较高。
3. 约简方法约简方法是一种基于粗糙集的属性重要性评估方法。
它通过对属性集合进行约简，得到一个最小的属性子集，从而实现对属性的重要性评估。
约简方法的优点是能够同时考虑属性之间的依赖关系和决策结果的覆盖度，能够更全面地评估属性的重要性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文献标识码 ： Ａ பைடு நூலகம்
文章编号 ： １ ６ ７ ２ — ７ ８ ０ ０ （ ２ ０ １ ５ ） ０ ０ ４ — ０ ０ ５ ５ — ０ ２
的方法结合属性值具体取值进行断点选取方法等 。
０ 引 言
每年年终 ， 企 事 业 单 位 都 会 对 内 部 员 工 进 行 年 终 考
（ ２ ） 求 核 属性 并 进 行 属 性 约 简 。核 属性 是 粗糙 集 理 论 的一个十分重要的概念 ， 它 对 于 属 性 约 简 问 题 具 有 重 要 意
阵 的值 约 简 算 法 、 启发式值约简算法等 。
用 它 对 考 评 系 统 中各 项 考 核 指 标 进 行 分 析 并 约 简 ， 去 除冗 余指标 ， 然后进 一步分析 去除冗 余指标 后 的数据 ， 从 中 发
现 本 质 的考 核 规 则 。
１ 粗 糙 集 理 论 简 介
粗糙集 （ Ｒｏ ｕ ｇ ｈ Ｓ ｅ ｔ ） 理论 自 １ ９ ８ ２年 创 建 以来 就 一 直 备 受 研 究 者 关 注 。 目前 ， 该理 论在 医疗 病例研 究 、 商 业 策
２ ． 焦作 师 范 高等专科 学校 计 算机 与信 息工程 系， 河 南 焦作 ４ ５ ４ ０ ０ ０ ）
摘 要 ： 粗糙集是一种 处理 不精 确、 不一致 、 不完整数据 ， 并从 中发 现隐藏 的知 识规 则， 揭 示其 潜在规律 的数 学方法 。
将 粗 糙 集 理 论 引入 到 企 业 员 工 考评 系统 中 ， 对企业员工各项考核指标进行 分析评价 并约 简， 去 除冗余指标 ， 提 取 出 关
２ 基 于 粗 糙 集 的员 工 考 核 指 标 分 析
现有 某 企业 的 员 工 考 核样 表 （ 见表 １ ） ， 将 该 表 作 为 一
个决策 系统 ， 由表 可 知 ， 条 件 属 性 Ｃ＝ ｛ 学历 ， 出勤 率 ， 工 作
划、 银行预算 、 气 象 预 测 等 领 域 已 有 广 泛 应 用 。粗 糙 集 的
键 考核指标 ， 再 进 一 步 分 析 去 除 冗余 指 标 后 的数 据 ， 从 中发 现 规 律 并提 取 出本 质 的 考 核 规 则 。
关键词 ： 粗糙 集 ； 约简； 考 评 系统
ＤＯ Ｉ ： １ ０ ． １ ｌ ９ ０ ７ ／ ｒ ｊ ｄ ｋ ． １ ４ ３ １ ０ ６ ２
中图分类号 ｉ ＴＰ ３ ０ １
ＭＩ Ｂ ＡＲＫ算 法 、 归 纳 式 属性 约 简 算 法 、 基 于 特 征 选 择 的 属
性 约简算法等 。
要 的评 价 规 则 ， 以 此 作 为 衡 量 员 工 工 作 考 评 依 据 尤 为 重
要 。本 文 将 粗 糙 集 理 论 和 方 法 引 入 到 员 工 考 评 系 统 中 ， 利
第１ ４ 卷 第４ 期 ２ ０Ｉ ５ 年 ４ 月
软 件 导 刊
Ｓｏｆ ｔ ｗａ ｒ ｅ Ｇｕｉ ｄｅ
Ｖｂ １ ．１ ４Ｎ Ｏ． ４ Ａ ｐｒ ．２ ０１ ５
粗 糙 集 在 员 工 考 评 系 统 中 的 应 用
仝 虎 ， 张 刚
（ １ ． 南 京 旅 游 学 院 电 教 中心 ， 江 苏 南京 ２ ｌ ｌ １ ０ ０ ；
据 。在 诸 多考 评 指标 中 ， 有 些指 标并不 重要 ， 而 有 些 指 标 却 很 关 键 。如 何 挑选 出 关 键 考 评 指 标 同 时 归 纳 提 取 出 重
属性之间依赖关系不变的前提下删除冗余属性 ， 对决 策 表
进 行 简 化 。 目前 属 性 约 简 算 法 ’ 剐主 要 有 一 般 约 简 算 法 、
（ ３ ） 值 约 简并 提 取规 则 。值 约 简是 在属 性 约简 的 基 础 上 对决策表作进一步处 理 ， 得 到更 加 简 化 的决 策 表 ， 值 约 简 的 过 程 其 实 就 是 提 取 规 则 发 现 规 律 的过 程 。 目前 值 约 简 算 法 主要有数 据分 析法 、 归 纳值算 法 、 基 于 决 策 矩
理， 具 体 步 骤 如下 ： （ １ ） 预 处 理 。 由 于 表 １数 据 是 一 致 和 完 备 的 ， 只 需 进 行离散化 ： 学历 一｛ ２： 博士 ， １ ： 研究 生 ， ０ ： 本科｝ ； 出 勤 率 一 ｛ ２ ： ＞９ ５ ％， １ ： ８ ５ ～９ ５ ， ０： ＜８ ５ ｝ ； 工 作效 率 一 ｛ ２ ： 高， １： 中等 ， ０ ： 低｝ ； 任务完成情况 一｛ ２ ： 超额完成 ， １ ： 完成， ０ ： 基本完成 ｝ ； 工龄 一｛ ２ ： ≥ ５年 ， １ ： ２ ～ ５年 ， ０ ： ≤ ２年 ） ； 考
（ １ ） 数 据 预 处 理 。数 据 预 处 理 是 将 决 策 表 中 的 数 据 补 齐和离散化 ， 处理成规范 、 一致 、 完 备 的数 据 。决 策 表 数 据 补齐的方法¨ ３ 有 直接 删 除 包 含 空 缺 数 据 记 录 、 将 空 缺 值 作 为特殊值处理 、 采 用 一 定 算 法 对 空缺 值 赋值 等 。决 策 表 离 散 化 的 算 法 有 等 距 离 划 分 法 、 等 频率划 分法 、 根 据 一 定
义 。 目前 主 要 的 求 核 算 法 有 分 辨 矩 阵 法 、 差异 表法 、 逐 列 消 除 法 等 。属 性 约 简 是 在 保 证 决 策 表 决 策 属 性 与 条 件
评， 通过评价员 工的工作热情 、 任务完成情况 、 对 公 司所 作
贡献 、 工作努力 程度 、 工作 能力 、 出勤情 况 等 ， 为 员 工 一 年 来 的工 作 打 分 ， 以 此 作 为 评 优 依 据 和 年 终 奖 分 级 发 放 依
效率 ， 任 务 完成 情 况 ， 工 龄｝ ， 决 策属 性 Ｄ 一｛ 考评 结 果 ｝ 。
为 了 简化 该 表 ， 采 用 粗 糙 集 理论 和方 法 对 该 表 进 行 处
具体理论可参见文献 ［ １ ］ 一文 献 ［ ３ ］ ， 粗 糙 集 理 论 解 决 问题
的 步 骤 以及 各 步 骤 中用 到 的算 法 如 下 ：