代价敏感粗糙集研究综述

合集下载

决策粗糙集理论研究现状与展望_于洪

．
粗糙集的基本思想是用可定义集合来刻画不可定义集合，从而给出一个概念的上近似集和下近似经典粗糙集的近似是基于概念之间的定性集定义．关系（即包含或相交不空）定义的，并不考虑概念相交的程度，因而不适用于处理很多实际问题．为了解决Ｐ缺乏容错能力的ａｗｌａｋ粗糙集模型过于严格、，问题人们提出了各种概率型粗糙集扩展模型．
王国胤
，１）２）
姚一豫
３）
１）（重庆邮电大学计算智能重庆市重点实验室
２）（中国科学院重庆绿色智能技术研究院电子信息技术研究所３）（里贾纳大学计算机科学系
）０００６５重庆４）００７１４重庆４
４Ｓ０Ａ２加拿大）里贾纳Ｓ
，ＡｂｓｔｒａｃｔｓｔｈｅｃｅｎｔｒａｌｃｏｎｃｅｔｓｉｎｒｏｕｈｓｅｔｔｈｅｏｒｔｈｅｃｌａｓｓｉｃａｌＰａｗｌａｋｌｏｗｅｒａｎｄｕｅｒＡｐｇｙｐｐａｒｏｘｉｍａｔｉｏｎｓａｒｅｅｆｉｎｅｄａｓｅｄｎｕａｌｉｔａｔｉｖｅｅｔｉｎｃｌｕｓｉｏｎｎｄｏｎｅｍｔｖｅｒｌａｉｎｄｂｏｑｓ－ａｎ－ｐｐｐｙｐｐｇｏ，，，ｒｅｌａｔｉｏｎｓｒｅｓｅｃｔｉｖｅｌ．Ｃｏｎｓｅｕｅｎｔｌｔｈｅｔｈｅｏｒｓｕｆｆｅｒｓｆｒｏｍａｎｉｎｔｏｌｅｒａｎｃｅｏｆｅｒｒｏｒｓｗｈｉｃｈｐｙｑｙｙ，ｒｅｓｔｒｉｃｔｓｉｔｓｒｅａｌｏｒｌｄａｌｉｃａｔｉｏｎｓ．ＴｏｏｖｅｒｃｏｍｅｔｈｉｓｌｉｍｉｔａｔｉｏｎＹａｏａｎｄｃｏｌｌｅａｕｅｓｒｅａｔｌｒｏｏｓｅｄ－ｗｐｐｇｇｙｐｐ（） ’ ｄｅｃｉｓｉｏｎｔｈｅｏｒｅｔｉｃｒｏｕｈｓｅｔｓＤＴＲＳｍｏｄｅｌｉｎｅａｒｌ１９９０ｓｂｉｎｔｒｏｄｕｃｉｎｔｈｅＢａｅｓｉａｎａ－ｇｙｙｇｙ，ｄｅｃｉｓｉｏｎｔｈｅｏｒｉｎｔｏｒｏｕｈｓｅｔｓ．Ｉｎｒｅｃｅｎｔｅａｒｓｔｈｅｍｏｄｅｌｈａｓａｔｔｒａｃｔｅｄｍｕｃｈａｔｔｅｎｔｉｏｎａｎｄｈａｓｙｇｙ（）ａｌｉｅｄｉｎｕｎｃｅｒｔａｉｎｉｎｆｏｒｍａｔｉｏｎａｉｍｓａｔ１ｐａｓｕｒｖｅｏｆｂｅｅｎｒｏｃｅｓｓｉｎ．Ｔｈｉｓａｅｒｒｅｓｅｎｔｉｎｐｐｙｐｇｐｐｇ，，ｔｈｅｍｏｔｉｖａｔｉｏｎｓｆｏｒｉｎｔｒｏｄｕｃｉｎｔｈｅＤＴＲＳｍｏｄｅｌｔｈｅｍａｉｎｆｅａｔｕｒｅｓｏｆｔｈｅｍｏｄｅｌａｎｄｔｈｅｒｏｂｌｅｍｓｇｐ，（，，ｂｅｓｔｕｄｉｅｄｉｎｔｈｅｍｏｄｅｌ２）ｒｅｖｉｅｗｉｎｔｈｅｆｕｎｄａｍｅｎｔａｌｒｅｓｕｌｔｓｓｔａｔｅ－ｏｆａｒｔｒｅｓｅａｒｃｈａｎｄｔｏ－ｇ，（）ｃｈａｌｌｅｎｅｓａｎｄ３ｐｏｉｎｔｉｎｏｕｔｆｕｔｕｒｅｅｒｓｅｃｔｉｖｅｓａｎｄｏｔｅｎｔｉａｌｒｅｓｅａｒｃｈｔｏｉｃｓ．ｇｇｐｐｐｐ；；；；；Ｋｅｗｏｒｄｓｏｕｈｓｅｔｓｄｅｃｉｓｉｏｎｔｈｅｏｒｅｔｉｃｒｏｕｈｓｅｔｓｔｈｒｅｅ－ｗａｄｅｃｉｓｉｏｎｓｄａｔａａｎａｌｓｉｓｕｎｃｅｒｔａｉｎｒ－ｇｇｙｙｙｉｎｔｅｌｌｉｅｎｔｉｎｆｏｒｍａｔｉｏｎｒｏｃｅｓｓｉｎｇｐｇ

基于欠采样和代价敏感的不平衡数据分类算法

2021‑01‑10计算机应用,Journal of Computer Applications 2021,41(1):48-52ISSN 1001‑9081CODEN JYIIDU http ：//基于欠采样和代价敏感的不平衡数据分类算法王俊红1，2*，闫家荣1，2（1.山西大学计算机与信息技术学院，太原030006；2.计算智能与中文信息处理教育部重点实验室（山西大学），太原030006）（∗通信作者电子邮箱wjhwjh@ ）摘要：针对不平衡数据集中的少数类在传统分类器上预测精度低的问题，提出了一种基于欠采样和代价敏感的不平衡数据分类算法——USCBoost 。

首先在AdaBoost 算法每次迭代训练基分类器之前对多数类样本按权重由大到小进行排序，根据样本权重选取与少数类样本数量相当的多数类样本；之后将采样后的多数类样本权重归一化并与少数类样本组成临时训练集训练基分类器；其次在权重更新阶段，赋予少数类更高的误分代价，使得少数类样本权重增加更快，并且多数类样本权重增加更慢。

在10组UCI 数据集上，将USCBoost 与AdaBoost 、AdaCost 、RUSBoost 进行对比实验。

实验结果表明USCBoost 在F1-measure 和G -mean 准则下分别在6组和9组数据集获得了最高的评价指标。

可见所提算法在不平衡数据上具有更好的分类性能。

关键词：不平衡数据；分类；代价敏感；AdaBoost 算法；欠采样中图分类号：TP18文献标志码：AClassification algorithm based on undersampling andcost -sensitiveness for unbalanced dataWANG Junhong 1，2*，YAN Jiarong 1，2（1.School of Computer and Information Technology ，Shanxi University ，Taiyuan Shanxi 030006，China ；2.Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education （Shanxi University ），Taiyuan Shanxi 030006，China ）Abstract:Focusing on the problem that the minority class in the unbalanced dataset has low prediction accuracy bytraditional classifiers ，an unbalanced data classification algorithm based on undersampling and cost -sensitiveness ，called USCBoost （UnderSamples and Cost -sensitive Boosting ），was proposed.Firstly ，the majority class samples were sorted from large weight sample to small weight sample before base classifiers being trained by the AdaBoost （Adaptive Boosting ）algorithm in each iteration ，the majority class samples with the number equal to the number of minority class samples were selected according to sample weights ，and the weights of majority class samples after sampling were normalized and a temporary training set was formed by these majority class samples and the minority class samples to train base classifiers.Secondly ，in the weight update stage ，higher misclassification cost was given to the minority class ，which made the weights of minority class samples increase faster and the weights of majority class samples increase more slowly.On ten sets of UCI datasets ，USCBoost was compared with AdaBoost ，AdaCost （Cost -sensitive AdaBoosting ），and RUSBoost （Random Under -Sampling Boosting ）.Experimental results show that USCBoost has the highest evaluation indexes on six sets and nine sets of datasets under the F1-measure and G -mean criteria respectively.The proposed algorithm has better classification performance on unbalanced data.Key words:unbalanced data;classification;cost -sensitiveness;AdaBoost algorithm;undersampling引言分类是数据挖掘领域中一个重要的分支，普通的分类模型通常假设数据集中各类别的样本数量差距很小且对于每个类别的误分代价相等，而使用不平衡数据集训练传统的分类器会导致模型对于少数类的预测精度很低，因此不平衡数据学习一直是机器学习领域的研究热点［1］。

基于变精度粗糙集的信息系统数据挖掘应用

基于变精度粗糙集的信息系统数据挖掘应用
倪啸;蔡瑞英
【期刊名称】《微电子学与计算机》
【年(卷),期】2009(26)4
【摘要】变精度粗糙集模型(VPRS)是粗糙集模型的扩充,它引入了精度参数,对数据的不一致性有较好的容忍度.文中利用VPRS模型,对不一致的信息系统进行数据挖掘,运用这一方法对系统决策表进行近似约简,去除其中冗余的属性,得出了近似约简的结果以及决策规则.实例应用表明,该方法是确实可行并有效的.
【总页数】3页(P89-91)
【关键词】变精度粗糙集;数据挖掘;不一致信息;近似约简
【作者】倪啸;蔡瑞英
【作者单位】南京工业大学信息科学与工程学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种基于变精度粗糙集模型的数据挖掘方法 [J], 韩中华;吴成东;赵贞丽;张娜
2.基于变精度粗糙集的不完备信息系统知识约简 [J], 赵亚娣;魏立力
3.序信息系统下基于变精度与程度近似算子的组合粗糙集模型 [J], 彭霜霜;王洪春
4.基于变精度粗糙集的数据挖掘方法研究 [J], 黄朝辉
5.基于变精度粗糙集的多属性群决策信息系统安全评估 [J], 赵亮;薛质
因版权原因，仅展示原文概要，查看原文内容请购买。

基于变精度粗糙集理论在肿瘤诊断的研究

基于变精度粗糙集理论在肿瘤诊断的研究
肿瘤是一种癌症，危害人们的身体健康和生命。

尽管有很多现代医学技术进行肿瘤诊
断和治疗，但是这些技术仍然存在很多缺陷，因此需要研究新的方法来改善诊断的精确性。

其中，变精度粗糙集理论是一种有效的方法，可以用于肿瘤诊断。

变精度粗糙集理论是粗糙集理论的一个拓展，它可以有效地描述一组属性之间的关系。

在肿瘤诊断中，我们可以将量化的临床指标作为属性，建立一个属性集合。

然后，我们可
以利用变精度粗糙集理论来建立不同精度级别的决策规则，以帮助诊断肿瘤。

首先，我们需要收集一组已知肿瘤患者和非肿瘤患者的临床指标数据。

然后，利用这
些数据来建立一个属性集合，并利用变精度粗糙集理论来抽象出肿瘤患者和非肿瘤患者之
间的关系。

具体来说，可以利用变精度粗糙集理论中的核心近似概念来确定模糊规则，并
通过不同的精度级别来实现准确的肿瘤诊断。

例如，由于肿瘤的复杂性，可能需要利用高
精度的规则来识别某些类型的肿瘤。

此外，在利用变精度粗糙集理论进行肿瘤诊断的过程中，还需要考虑到一些其他因素。

例如，需要根据肿瘤的不同类型和部位来确定不同的属性集合，并考虑到患者的年龄和性
别等因素。

同时，还需要定期更新临床指标，以保持肿瘤诊断的准确性。

总之，变精度粗糙集理论在肿瘤诊断中的应用具有很大的潜力，可以帮助医生更准确
地诊断肿瘤，并提高肿瘤治疗的成功率。

粗糙集理论及其应用研究

粗糙集理论及其应用研究一、粗糙集理论概述粗糙集是一种用于解决不确定性问题的数学工具。

粗糙集理论中知识被理解为对事物进行区分的能力，在形式上表现为对论域的划分，因而通过论域上的等价关系表示。

粗糙集通过一对上、下近似算子来刻画事物，它不需要数据以外的任何先验知识，因此具有很高的客观性。

目前，粗糙集被广泛用于决策分析、机器学习、数据挖掘等领域[1~6]。

二、粗糙集中的基本概念[7]定义1 论域、概念。

设U是所需研究的对象组成的非空有限集合，称为一个论域，即论域U。

论域U的任意一个子集XU，称为论域U的一个概念。

论域U中任意一个子集簇称为关于U的知识。

定义2 知识库。

给定一个论域U和U上的一簇等价关系S，称二元组K=(U，S)是关于论域U的知识库或近似空间。

定义3 不可分辨关系。

给定一个论域U和U上的一簇等价关系S，若PS，且P≠?，则∩P仍然是论域U上的一个等价关系，称为P上的不可分辨关系，记做IND(P)。

称划分U/IND(P)为知识库K=(U，S)中关于论域U的P-基本知识。

定义4 上近似、下近似。

设有知识库K=(U，S)。

其中U为论域，S为U 上的一簇等价关系。

对于X∈U和论域U上的一个等价关系R∈IND(K)，则X关于R的下近似和上近似分别为：下近似R(X)=∪{Y∈U/R|YX}上近似R(X)=∪{Y∈U/R|Y∩X=?}集合的上近似和下近似是粗糙集中最核心的概念，粗糙集的数字特征以及拓扑特征都是由它们来描述和刻画的。

当R=(X)时，称X是R-精确集;当R(X)≠(X)时，称X是R-粗糙集，即X是粗糙集。

三、粗糙集理论的优势随着人们对粗糙集理论的不断研究，它的应用领域在不断扩大，粗糙集理论的优势在于:1)他不需要专家的经验知识，而仅利用现实实例数据本身提供的信息;2)能搜索数据的最小集合，能从实例数据中获取易于证实的规则知识，最后，它同时允许使用定性和定量的数据。

近年来，粗糙集理论应用到了许多领域。

粗糙集理论及其应用研究

粗糙集理论的核心内容
知识的约简与核
知识的约简：通过删除不重要的知识，保留关键信息
核的概念：核是知识的最小表示，包含所有必要信息
核的性质：核具有独立性、完备性和最小性
核的求取方法：基于信息熵、信息增益等方法进行求取
0
0
0
0
1
2
3
4
决策表的简化
决策表：用于描述决策问题的表格简化目标：减少决策表的规模，提高决策效率简化方法：合并条件属性，删除冗余属性简化效果：提高决策表的可读性和可理解性，降低决策复杂度
粗糙集理论在聚类分析中的应用：利用粗糙集理论处理不确定和不完整的数据，提高聚类分析的准确性和效率。
聚类分析在数据挖掘中的应用：可以帮助发现数据中的模式和趋势，为决策提供支持。
粗糙集理论在其他领域的应用
决策支持系统
粗糙集理论可以帮助决策者处理不确定性和模糊性
粗糙集理论在决策支持系统中的应用
粗糙集理论可以提高决策支持系统的准确性和效率
粗糙集理论在决策支持系统中的实际应用案例分析
智能控制
粗糙集理论在模糊控制中的应用
粗糙集理论在智能控制中的应用
粗糙集理论在神经网络控制中的应用
粗糙集理论在自适应控制中的应用
模式识别
粗糙集理论在模式识别中的应用
粗糙集理论在图像识别中的应用
粗糙集理论在语音识别中的应用
粗糙集理论在生物信息学中的应用
添加标题
添加标题
ห้องสมุดไป่ตู้添加标题
添加标题
机器学习
粗糙集理论在机器学习中的应用粗糙集理论在数据挖掘中的应用粗糙集理论在模式识别中的应用粗糙集理论在自然语言处理中的应用

动态三支决策研究综述及展望

1740 引言三支决策(Three-way Decisions,3WD)是姚一豫教授提出的一种分析和解决复杂决策问题的理论[1]。

其主要思想是“三分而治”和“化繁为简”,将整体分为三个独立的部分,根据收集到的信息对不同的部分采用不同的处理策略[2]。

目前,基于时间和空间两个维度,三支决策的研究可以分为静态三支决策和动态三支决策。

静态三支决策只进行一次三支决策;动态三支决策实施多阶段的三支决策,进而做出最终决策。

结合实际决策背景,如何在动态决策信息系统下建立动态三支决策模型,提高决策效率、降低决策代价是当前的热点问题。

学者们提出了序贯三支决策[3]、多粒度三支决策[4]、多分类三支决策[5]等动态三支决策模型。

在实际决策时,人们往往会随着所获信息的更替而不断改变决策方案。

尤其是在大数据时代,人们需要在尽可能短的时间内快速决策。

因此,系统地研究动态三支决策的理论、模型和应用有重要的意义。

本文对动态三支决策的基本理论、研究现状和相关应用进行综述,总结和展望其未来研究方向。

1 三支决策基本理论作为二支决策的拓展,三支决策考虑到不确定因素,引入了延迟决策。

经典三支决策模型[6]是基于贝叶斯理论进行的决策,具体描述如下:设状态空间{,}X X Θ=⌝表示对象 x 的两种不同状态,动作集合{,,}P B N A a a a =表示对 x 进行决策采取的三种不同行为,P a ,B a ,N a 分别表示对象 x 属于、不一定属于和不属于集合X 的行为。

决策时相应的损失代价函数如表１所示。

其中,PP λ,BP λ,NP λ分别表示 x 属于X 而采取行为P a ,B a ,N a 时的损失,PN λ,BN λ,NN λ分别表示 x 不属于 X 而采取行为P a ,B a ,N a 时的损失。

Pr(|[])X x 是条件概率,对于 x 来说,采取一个决策行为时的期望代价为:(|[])Pr(|[])Pr(|[])(|[])Pr(|[])Pr(|[])(|[])Pr(|[])Pr(|[])P PP PN B BP BN N NP NN R a x X x X x R a x X x X x R a x X x X x λλλλλλ=+⌝⎧⎪=+⌝⎨⎪=+⌝⎩。

多粒度三支决策研究进展

多粒度三支决策研究进展
钱进;郑明晨;周川鹏;刘财辉;岳晓冬
【期刊名称】《数据采集与处理》
【年(卷),期】2024(39)2
【摘要】多粒度三支决策利用三支决策理论,从多视角、多层次对复杂问题进行数据分析与处理,逐渐成为一种高效、可靠的智能决策方法。

本文对多粒度三支决策的研究工作进行综述,主要介绍了多粒度融合策略、多视角三支决策和多层次三支决策,以及从定性和定量两个角度探讨了多粒度三支决策,讨论了不同多粒度三支决策模型之间的关系,并指出了多粒度三支决策研究中存在的若干问题,为该领域的深入研究提供参考。

【总页数】15页(P361-375)
【作者】钱进;郑明晨;周川鹏;刘财辉;岳晓冬
【作者单位】华东交通大学软件学院;赣南师范大学数学与计算机学院;上海大学未来技术学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.不完备邻域多粒度决策理论粗糙集与三支决策
2.集对优势关系下多粒度决策粗糙集的可变三支决策模型
3.基于异常粒度及三支决策理论的城市轨道交通道岔整治
智能决策系统4.深度置信网络的代价敏感多粒度三支决策模型研究5.多粒度层次序贯三支决策模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。

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)。

中图分类号：ＴＩＰ８文献标识码：Ａ
ＡｕｒｅｎＣｏｔｓｎｉｖｕｈＳｔｓａｃＳｖｙｏｓ— ｅｓｔｅＲｏｇｅ－ｉＲｅｅｒｈ
ＬＩＪａｂｎ１，ＭＩＦａＵｉ．ｉ，２Ｎｎ
ＧｒｎｌｒｍｐｔｇＺａｇｈｕＮｒｌｎｖｒｉ，ｈｎｚｏｕｉｎ３３０，ｉａａｕａＣｏｕｉ，ｈｎｚｏｏｍａＵｉｓｔＺａｇｈｏＦｊ６００Ｃｈｎ）ｎｅｙａ
Ａｂｔａｔｓｒｃ：Ｔｈｉｓｐａｐｅｅｉｗｓｔｈｏｒｏｕｎｄａｉｎｓａｒｒｖｅｈｅｔｅｙｆｔｏｎｄｈｔｔ — ｔｅｓａｅｏ￣ｔ・ｒｆｃｔｓｎｓｔｖｅｒｇｈｓｔｈｅａｔｏｏｓ— ｅｉｉｏｕｅ．Ｆｉｓｌ，ｒｔｙ
ｔｅｍｏｉａｉｎｏｏｔｓｎｉｖｅｒｉｇｓｉｔｏｕｅｈｏｇｅａｈｔｖｔｆｃｓ— ｅｓｔｅｌａｎｎｉｎｒｄｃｄｔｒｕｈｘｍｐｅ．Ｔｐｓｏｏｔａｅｄｓｕｓｄｏｉｌｓｙｅｆｃｓｓｒｉｃｓｅ．ＴｈｅｆｕｄｔｎｏｏｔｓｎｉｉｅｒｕｈｓｔｓｐｅｅｔｄＴｈｎｔｅｃｒｅｔｓｔａｉｎｉｓｍｍａｉｅｒｍｈｏｒｌｖｌｏｎａｉｆｓ－ｅｓｔｏｇｅｓｉｒｓｎｅ．ｅｈｕｒｎｉｕｔｏｓｕｏｃｖｒｚｄｆｏｔｅｆｕｅｓｅ
２１０１年第４期（总第７）４期
漳州师范学院学报（然科学版）自
ＪｕｎｌｆａｇｈｕＮｏｍａｉｅｓｔ（ｔＳｉｏｒａｎｚｏｒｌｏＺｈＵｎｖｒｉｙＮａ．ｃ．）
Ｎ．．０１ｏ４２１年
Ｇｅｅａ．４ｎｒＩＮｏ７
ｋｙｉｓｅｆｅｔｃｓ－ｅｓｔｖｏｇｅｒｉｈｉｈｅ．ｅｕｓｏｓ－ｏｔｓｎｉｅｒｕｈｓｔａｅｈｇｌｔｄｓｔｉｇ
Ｋｅｒｓｃｓ－ｅｓｔｖｏｇｅａｔｉｕｅｒｄｃｉｎ；ｅｔｏｔ；ｌｏｉｍ；ｍｏｅｙｗｏｄ：ｏｔｓｎｉｅｒｕｈｓｔ；ｔｒｂｔｅｕｔｏｉｔｓｓａｇｒｔｃｈｄｌ
文章编号：０—８６０１４０１— １８７２（１） — ７００２００６
代价敏感粗糙集研究综述
刘家彬 ’ ，闵，一帆
（１．四川民族学院计算机科学系，四川康定６６０；．２０１２漳州师范学院粒计算实验室，福建漳州３３０）６００
摘要：本文对代价敏感粗糙集（ｓｓｓｉｕｈｅＣ．Ｓ论的内容及发展状况进行了回顾，ｃｔｅｉｅｏｇｔＳＲ）ｏ．ｎｔｒｖｓ，理对其研
粗糙集作为一种刻画不完整和不确定性问题的数学工具，是由波兰科学院ｚＰｗｌ．ａａｋ院士于１８９２年提
出的…Ｉ粗糙集能有效地分析和处理不精确、不一致、不完整等各种不完备信息，在不需要任何先验知＿．引
识的情况下，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．从上世纪８０年代末９０年代初开始，经过二十余年的发展和研究，在理论和实际应用中都取得了长足的发展学、社会科学和工程技术等领域，从实际系统中采集到的数据往往不精确甚至不完整．多年来，研究人员一直在努力探索处理不完整和不确定性信息的有效途径，并提出了相关理论，如模糊理论、
证据理论、概率论等．但这些理论在应用到实际领域的过程中，均需要一些数据的附加信息或先验知识，如模糊隶属函数、基本概率指派函数和有关统计概率分布等．
（．ｐｒｍｅｔｆＣｏｕｅｃｅｃ，ｉｈａｉｅｓｔｏｔｎｌｉｓＫａｇｉｇＳｃｕｎ６６０，ｉａ２Ｌｂｏ１ＤｅａｔｎｍｐｔｒＳｉｎｅＳｃｕｎＵｎｖｒｉｙｆｒＮａｉａｉｅ，ｎｄｎｉｈａ，２０１Ｃｈｎ；．ａｆｏｏｔ
ｉｃｕｉｇｔｅｄｔｄｌｔｅｃｍｐｔｔｎｌｍｏｅ，ｈｒｂｅａｄｔｅａｇｒｔｍ．Ｆｎｌ，ｅｅｒｈｔｅｄｎｎｌｄｎｈａａｍｏｅ，ｈｏｕａｉａｄｌｔｅｐｏｌｍｎｈｌｏｉｈｏｉａｌｒｓａｃｒｎｓａｄｙ
究方向和发展趋势进行了分析和展望．首先介绍了代价敏感学习产生的缘由、数据挖掘过程中常见代价的分类及代价敏感粗糙集的基本概念；其次从数据模型、计算模型、题及算法四个层次上对当前的研究状况进行了总结，问建立了代价敏感粗糙集理论体系示意图；最后指出测试代价敏感粗糙集的发展趋势和需要重点关注的问题．关键词：代价敏感粗糙集；属性约简；测试代价；算法；模型