粗糙集决策介绍解析

不完备邻域多粒度决策理论粗糙集与三支决策

刘丹;徐立新;李敬伟

【摘要】多粒度决策理论粗糙集是多粒度视角下三支决策中一种重要的模型.在数值型不完备数据下建立邻域容差关系;在其基础上提出乐观和悲观的邻域多粒度决策理论粗糙集模型.为了弥补这两种模型的局限,提出平均邻域多粒度决策理论粗糙集模型,并分析相关性质以及相互关系.同时为了使所提出的邻域多粒度决策理论粗糙集适用于不完备数据环境,运用区间值的形式表示代价函数,并通过选取不同参数的方式提出一种可变三支决策.实例分析表明,该模型与方法具有一定的合理性与灵活性.

【期刊名称】《计算机应用与软件》

【年(卷),期】2019(036)005

【总页数】13页(P145-157)

【关键词】决策理论粗糙集;多粒度;邻域;不完备信息系统;三支决策

【作者】刘丹;徐立新;李敬伟

【作者单位】河南工学院计算机科学与技术学院河南新乡453003;河南工学院计算机科学与技术学院河南新乡453003;河南工学院计算机科学与技术学院河南新乡453003

【正文语种】中文

【中图分类】TP18

0 引言

粗糙集理论[1]是由波兰学者Pawlak提出的一种不确定性数据的分析工具，目前已广泛地运用于分类学习、模式识别以及数据挖掘等领域[2-4]。同时粗糙集理论经过几十年的研究，已在不同的领域和不同背景下进行了相关的改进与拓展，诸如概率粗糙集[5-6]、变精度粗糙集[7]、邻域粗糙集[8-9]和模糊粗糙集[10]等。在这些拓展的粗糙集模型中，概率粗糙集是一种常用的粗糙集模型，它通过一对阈值来对经典粗糙集模型进行改进[5-6]，因而使其具有容忍噪声数据的特性，目前已引起学者们的广泛研究[11-12]。Yao等[13]通过代价的角度来对概率粗糙集模型中的一对阈值进行学习，提出了决策理论粗糙集模型，并且基于该模型诱导出了一种特殊的决策方式，被称之为三支决策[14]。三支决策相当于对传统的二支决策进行扩展，它通过最小化代价的视角进行决策，其决策的结果分为三种情形，分别为接受、延迟和拒绝，这种形式开辟了一种崭新的决策方法，在其他领域获得了大量的应用[15-17]。目前决策理论粗糙集和三支决策已成为粗糙集理论研究的热点。

使用粗糙集理论进行数据分类的步骤详解

数据分类是数据挖掘领域中的一个重要任务，它可以帮助我们从大量的数据中发现隐藏的规律和模式。粗糙集理论是一种常用的数据分类方法，它基于信息不完全和不确定的原则，能够处理不完备和模糊的数据。本文将详细介绍使用粗糙集理论进行数据分类的步骤。

第一步：数据预处理

在进行数据分类之前，我们需要对原始数据进行预处理。预处理包括数据清洗、数据集成、数据变换和数据规约等步骤。数据清洗是指去除数据中的噪声和异常值，以保证数据的质量。数据集成是将多个数据源的数据进行整合，以便于后续的分析和处理。数据变换是将原始数据进行转换，以适应分类算法的要求。数据规约是对数据进行简化，以减少数据的复杂性。

第二步：属性约简

属性约简是粗糙集理论的核心内容之一。它的目的是通过删除冗余和无关的属性，提取出最具有分类能力的属性子集。属性约简可以帮助我们减少计算复杂度，并提高分类的准确性。属性约简的方法有很多种，常用的有基于信息增益和基于近似的方法。基于信息增益的方法是通过计算属性对分类结果的贡献程度，选择出对分类最有用的属性。基于近似的方法是通过计算属性之间的关系，选择出具有最小冗余的属性子集。

第三步：确定决策规则

在属性约简之后，我们需要根据属性子集来确定决策规则。决策规则是一种描述数据分类的模式，它由条件属性和决策属性组成。条件属性是用来描述分类对象的特征，决策属性是用来描述分类结果的特征。决策规则可以帮助我们理解数据分类的过程，并为后续的分类任务提供指导。确定决策规则的方法有很多种，常用的有基于频率和基于覆盖度的方法。基于频率的方法是通过计算属性子集在数据集中的出现频率，选择出频繁出现的属性子集作为决策规则。基于覆盖度的方法是通过计算属性子集对数据集的覆盖程度，选择出覆盖度最高的属性子集作为决策规则。

第四步：分类预测

在确定决策规则之后，我们可以使用这些规则对新的数据进行分类预测。分类预测是根据新的数据的条件属性，通过匹配决策规则，得到新数据的决策属性。分类预测可以帮助我们对未知数据进行分类，从而实现对数据的有效利用。分类预测的方法有很多种，常用的有基于规则匹配和基于相似度计算的方法。基于规则匹配的方法是通过将新数据的条件属性与决策规则进行匹配，选择出与新数据最匹配的决策规则作为分类结果。基于相似度计算的方法是通过计算新数据与已知数据之间的相似度，选择出与新数据最相似的已知数据的决策属性作为分类结果。

粗糙集理论的模型构建方法及其预测性能评估

引言：

粗糙集理论是一种基于不完全信息的数据分析方法，它可以处理不确定性和模糊性问题，并在决策和预测中发挥重要作用。本文将介绍粗糙集理论的模型构建方法以及如何评估其预测性能。

一、粗糙集理论的模型构建方法

1. 粗糙集理论的基本概念

粗糙集理论最基本的概念是等价关系和上近似集、下近似集。等价关系是指在给定条件下，某个对象的属性值相同，上近似集是指在给定条件下，某个对象的属性值不确定，下近似集是指在给定条件下，某个对象的属性值确定。通过等价关系和近似集，可以对数据进行粗糙划分。

2. 特征选择

特征选择是粗糙集理论中的一个重要步骤，它通过选择最重要的特征来减少数据集的维度。特征选择可以基于信息增益、相关性等指标进行，选取具有较高区分度的特征。

3. 粗糙集约简

粗糙集约简是指通过删除冗余的属性，减少数据集的复杂性，提高数据处理的效率。约简的目标是找到最小的等价类，使得约简后的数据集仍能保持原始数据集的重要信息。

4. 粗糙集分类模型构建粗糙集分类模型构建是通过学习已知类别的样本，建立一个分类模型，用于对未知类别的样本进行分类。常用的分类算法有基于规则的分类算法、基于决策树的分类算法等。

二、粗糙集理论的预测性能评估

1. 交叉验证

交叉验证是一种常用的评估粗糙集模型性能的方法。它将数据集划分为训练集和测试集，通过训练集训练模型，再通过测试集评估模型的预测性能。常见的交叉验证方法有k折交叉验证、留一交叉验证等。

2. ROC曲线

ROC曲线是一种评估分类模型性能的图形化方法。它以真正例率（True

Positive Rate）为纵轴，假正例率（False Positive Rate）为横轴，通过绘制不同阈值下的真正例率和假正例率，可以评估模型在不同阈值下的预测性能。

3. 混淆矩阵

混淆矩阵是一种评估分类模型性能的表格方法。它以实际类别和预测类别为行列，通过统计真正例、假正例、真负例、假负例的数量，可以计算出模型的准确率、召回率、F1值等指标。

粗糙集方法

嘿，朋友！你听说过粗糙集方法吗？这可真是个超级有趣的玩意儿啊！

就比如说咱们整理房间吧。你看，房间里有各种各样的东西，有些是常用的，就像那些确定的信息；有些呢，你不太确定到底重不重要，这就有点像粗糙集方法里的那些不那么明确的情况。

咱假设有一天，你和几个朋友一起在讨论去哪儿玩。一个朋友说去爬山，一个朋友说去海边，而你呢有点纠结，不知道该选啥。这时候就像是粗糙集方法在发挥作用啦！爬山和海边就像是两个不同的条件属性，而你最终的决定就是那个决策属性呀！你得综合考虑各种因素，像天气啊、自己的体力啊等等，这不就是在对这些信息进行分析处理嘛！

粗糙集方法就像是一个聪明的小助手，能帮咱在一堆看似混乱的信息里找到关键的线索。好比你找工作的时候，各种职位信息、公司要求乱糟糟的一堆，但是通过粗糙集方法，就能帮你理出头绪，找到最适合你的那个工作呀！

哎呀，你说这粗糙集方法是不是超厉害的？它能让咱在面对复杂情况时不再那么迷茫，而是能更有方向、更有把握地做出决定呢！它就像是一把神奇的钥匙，能打开那扇通往清晰思考和正确决策的大门。

别再觉得这是个很难懂的东西啦，其实它就在我们生活的方方面面发挥着作用呢！只要你留心，就能发现它的厉害之处！相信我，你一旦了解了它，肯定会对它超级感兴趣的！

我的观点结论就是：粗糙集方法真的很有用，很值得我们去深入了解和运用！

粗糙集理论的应用领域及研究现状

摘要：粗糙集理论是一种基于不完备信息的数学模型，具有广泛的应用领域。本文将介绍粗糙集理论的基本概念和原理，并探讨其在数据挖掘、模式识别、决策分析等领域的应用。同时，还将介绍粗糙集理论在实际研究中的现状和挑战。

1. 引言

粗糙集理论是由波兰学者Pawlak于1982年提出的一种基于不完备信息的数学模型。它通过将数据集划分为等价类，可以有效地处理不确定和模糊的信息。粗糙集理论在多个学科领域中得到了广泛的应用，如数据挖掘、模式识别、决策分析等。

2. 粗糙集理论的基本概念和原理

粗糙集理论的核心概念是“粗糙集”，它是指在不完备信息条件下，将数据集划分为等价类的过程。在粗糙集理论中，等价类被称为“粗糙集”，而等价类之间的差异被称为“粗糙度”。粗糙度越小，等价类之间的差异越小，数据集的信息越完备。

粗糙集理论的基本原理是“下近似”和“上近似”。下近似是指用最少的信息描述数据集的特征，上近似是指用尽可能多的信息描述数据集的特征。通过下近似和上近似的计算，可以得到数据集的粗糙集，从而实现对不完备信息的处理。

3. 粗糙集理论在数据挖掘中的应用

数据挖掘是从大量数据中发现隐藏模式和知识的过程。粗糙集理论在数据挖掘中可以用于特征选择、属性约简和规则提取等任务。通过粗糙集理论，可以从复杂的数据集中挖掘出有用的模式和规律，帮助人们更好地理解数据集的结构和特征。

4. 粗糙集理论在模式识别中的应用模式识别是通过对数据进行分类和识别，从而实现对数据的理解和分析。粗糙集理论在模式识别中可以用于特征选择、模式分类和模式识别等任务。通过粗糙集理论，可以对数据进行有效的特征选择，提高模式识别的准确性和效率。

5. 粗糙集理论在决策分析中的应用

决策分析是通过对决策问题进行建模和分析，从而实现对决策的优化和改进。粗糙集理论在决策分析中可以用于决策规则的提取和决策的评估。通过粗糙集理论，可以从决策问题中提取出有用的规则和知识，帮助人们做出更好的决策。

基于粗糙集的决策规则提取

ｌ　Ｔ技术　ＳＣＩＥＮＣＥ＆ＴＥＯＨＮＯＬＯＯＹ　

基于粗糙集的决策规则提取　

杨建昌　（漳县一中，甘肃　漳县　７４８３００）　楚　苎　工璺　誊　。．　曼　…ｓｅ．ｔ　ｓ）．耋鍪撂分暂　堕用，基于粗糙集的数据分析来源于对数据衾（即信息系统）的分析。通常我　佃堑篁璺　鍪害　璺璧　坌　属　彦葶．　垦夏篓　决策表。对　一不溪策表，　菰着二紊　漠藁藐　０写芝箱　羞＿芝　鉴　差自窭　憨　５　算法。本文将给出这些决策算法的统计学特点，并与贝叶斯（Ｂａｙｅｓ一）毛逸　：。　，茧　孚植秸藁　薮　据分析方法优于贝叶斯定理。　‘　。　…－。　～………………　一　

１．引言　信息系统的决策规则提取是机器学习与　数据挖掘的重要内容。多年来，决策规则的　提取主要是用一些概率方法，如贝叶斯定理　等，而且在研究和实践中得到了长足的发　展，但这种方法仍存在一定缺陷，即它在规　则提取前必须给出先验概率和后验概率，从　而增加了规则提取的难度。而由波兰数学家　ｚ。Ｐａｗｌａｋ］￣出的粗糙集理论［１】无需提供除问　题所需处理的数据集合之外的任何先验信　息，仅根据观测数据删除冗余信息，通过比　较知识不完整的程度——粗糙度、属性间的　依赖性与重要性，发现数据间的关系，在不　损失信息的前提下提取有用特征，简化信息　处理，为研究不精确、不确定知识的表达、　学习、归纳方法等提供了一个有力的数学工　具，为智能信息处理提供了有效的处理技术，　成为当前机器学习、数据挖掘等领域的研究　热点，且已经在信息系统分析，人工智能、决　策支持系统、知识与数据发现、模式识别与分　类、故障检测等方面取得了较为成功的应用［２１　】。本文将通过粗糙集理论与贝叶斯定理的　比较，从而得出结论基于粗糙集的数据分析　方法优于贝叶斯定理。　

２．粗糙集理论的基本概念　粗糙集理论将知识理解为使用等价关系　集Ｒ对有限非空论域Ｕ进行划分，其主要思　想是利用已知的知识库，将不精确或不确定　的知识用已知的知识库中的知识来近似刻划，　在不损失信息的前提下，约简信息属性和属　性值，获得相应的决策规则。　设Ｓ＝（Ｕ，Ａ）是一个信息系统【１］，其　中Ｕ和Ａ是有限非空集合，Ｕ是对象集合，Ａ　是属性集合。对每一个属性ａＡ　有一属性值　集合Ｖａ与之相对应，ｌ￣ｌ＋ａ：ＵＶａ。任意子集合　ＢＡ决定一个Ｕ上的二元关系Ｉ（Ｂ），该关系称　为不可分辨关系，定义如下：　Ｉ（Ｂ）＝｛（ｘ，Ｙ）Ｕ　Ｘ　Ｕ：ａ（ｘ）＝ｆｌ（Ｙ），　ａＢ｝　显然Ｉ（Ｂ）是一个等价关系。【ｘ】＝｛ｙ（ｘ，　ｙ）Ｉ（Ｂ）｝是ｘＵ的Ｉ（Ｂ）等价类，ｘ，ｘ…ｘ　是Ｕ上由Ｉ（Ｂ）生成的等价类的全体，记为：　ＵＩ（Ｂ）或ＵＢ，它构成Ｕ的一个划分，即：　Ｕ　Ｉ（Ｂ）＝｛ｘ，ｘ…ｘ｝，　ｘ＝ｕ　

粗糙集理论的使用方法与建模步骤详解

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。它是由波兰数学家Pawlak于1982年提出的，被广泛应用于数据挖掘、模式识别、决策分析等领域。本文将详细介绍粗糙集理论的使用方法和建模步骤。

一、粗糙集理论的基本概念

粗糙集理论的核心思想是通过对数据进行粗糙划分，找出数据之间的相似性和差异性，从而进行有效的分类和决策。在使用粗糙集理论进行建模之前，我们首先需要了解一些基本概念。

1.1 上近似集和下近似集

上近似集是指在给定条件下，能够包含所有与目标属性有关的样本的集合；下近似集是指在给定条件下，能够完全确定与目标属性有关的样本的集合。

1.2 等价类和不可区分关系

等价类是指在相同条件下，具有相同目标属性的样本所构成的集合；不可区分关系是指在给定条件下，无法通过已有的属性来区分不同的样本。

二、粗糙集建模的步骤

在使用粗糙集理论进行建模时，我们可以按照以下步骤进行操作。

2.1 数据预处理

在进行粗糙集建模之前，我们需要对原始数据进行预处理。预处理包括数据清洗、数据转换、数据归一化等操作，以确保数据的质量和可用性。

2.2 属性约简属性约简是粗糙集建模中的关键步骤。通过属性约简，我们可以从原始数据中选择出最具代表性的属性，减少冗余信息，提高模型的效率和准确性。

2.3 确定目标属性

在进行粗糙集建模时，我们需要明确目标属性。目标属性是我们希望通过建模来预测或分类的属性。

2.4 确定条件属性

条件属性是用来描述和区分不同样本的属性。在确定条件属性时，我们需要根据实际问题和数据特点选择合适的属性。

2.5 构建上近似集和下近似集

通过已知的条件属性和目标属性，我们可以构建上近似集和下近似集。上近似集包含了所有与目标属性有关的样本，下近似集则包含了能够完全确定与目标属性有关的样本。

2.6 确定等价类和不可区分关系

根据上近似集和下近似集，我们可以确定等价类和不可区分关系。等价类是具有相同目标属性的样本集合，不可区分关系则是无法通过已有的属性来区分不同的样本。

粗糙集理论的应用案例分析

引言

粗糙集理论是一种用于处理不完备和不确定信息的数学工具，它可以帮助我们在决策和分析过程中更好地理解和处理不确定性。本文将通过几个实际案例来探讨粗糙集理论的应用，展示其在不同领域中的潜力和优势。

案例一：医学诊断

在医学诊断中，患者的症状和体征往往是多样的，医生需要根据这些信息来判断患者是否患有某种疾病。然而，由于医学知识的不完备和患者个体差异的存在，诊断结果常常存在一定的不确定性。

粗糙集理论可以帮助医生处理这种不确定性。首先，医生可以将患者的症状和体征作为决策属性，构建一个粗糙集模型。然后，通过对已知病例的分析，可以确定每个决策属性的上下近似集，即该属性可能的取值范围。最后，医生可以根据这些近似集来判断患者是否患有某种疾病。

通过粗糙集理论的应用，医生可以更全面地考虑患者的病情，提高诊断的准确性和可靠性。同时，粗糙集理论还可以帮助医生发现新的病因和治疗方法，推进医学研究的进展。

案例二：金融风险评估

在金融领域，风险评估是一项重要的工作。投资者需要根据市场信息和公司财务状况来评估投资的风险和回报。然而，由于市场的不确定性和信息的不完备，风险评估常常存在一定的难度。

粗糙集理论可以帮助投资者更好地评估风险。首先，投资者可以将市场信息和公司财务状况作为决策属性，构建一个粗糙集模型。然后，通过对历史数据的分析，可以确定每个决策属性的上下近似集，即该属性可能的取值范围。最后，投资者可以根据这些近似集来评估投资的风险和回报。

通过粗糙集理论的应用，投资者可以更准确地评估风险和回报的关系，制定更合理的投资策略。同时，粗糙集理论还可以帮助投资者发现潜在的投资机会和风险因素，提高投资决策的成功率。

案例三：客户关系管理

在企业的客户关系管理中，了解客户的需求和行为是非常重要的。然而，由于客户个体差异的存在和市场环境的变化，企业往往难以准确地了解客户的需求和行为。

粗糙集理论可以帮助企业更好地管理客户关系。首先，企业可以将客户的属性和行为作为决策属性，构建一个粗糙集模型。然后，通过对历史数据的分析，可以确定每个决策属性的上下近似集，即该属性可能的取值范围。最后，企业可以根据这些近似集来了解客户的需求和行为，制定相应的营销策略。

粗糙集理论

粗糙集理论及其应用发展

一、粗糙集的产生与发展

粗糙集(Roughsets)理论是由波兰数学家Z. Pawlak在1982年提出的，该理论是一种刻画不完整性和不确定性的数学工具，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，并从中发现隐含的知识，揭示潜在的规律。1992年至今，每年都召开以RS为主题的国际会议，推动了RS理论的拓展和应用。国际上成立了粗糙集学术研究会，参加的成员来自波兰、美国、加拿大、日本、挪威、俄罗斯、乌克兰和印度等国家。目前，粗糙集这一新的数学理论已经成为信息科学领域的研究热点之一，它在机器学习、知识获取、决策分析、过程控制等许多领域得到了广泛的应用。

粗糙集首先从新的视角对知识进行了定义。把知识看作是关于论域的划分，从而认为知识是具有粒度〔granularity〕的。认为知识的不精确性是由知识粒度太大引起的。为处理数据〔特别是带噪声、不精确或不完全数据〕分类问题提供了一套严密的数学工具，使得对知识能够进行严密的分析和操作。又由于数据挖掘的深入研究和一些成功的商业运作，使得粗糙集理论和数据挖掘有了天然的联系，粗糙集在知识上的定义、属性约简、规则提取等理论，使得数据库上的数据挖掘有了深刻理论基础，从而为数据挖掘提供了一种崭新的工具。粗糙集不仅自己可以独特的挖掘知识，而且可以和其他的数据挖掘算法结合起来，从而产生了学多混合数据挖掘算法，大大开拓了数据挖掘的算法和技术，丰富了数据挖掘的工具。除了研究，人们也在积极寻找粗糙集在数据挖掘中的应用，如RSES系统，该系统是基于粗糙集理论上研制的数据挖掘系统，里面提供了粗糙集的属性约简算法和规则提取，可以找到最佳约简集和近似约简集，并可以提出规则。另外，还有，Regina大学开发的KDD-R系统，被广泛用于医疗诊断、电信业等领域。还有美国Kansas大学开发的LERS(Learningfrom Examples

based on RS)系统，在医疗诊断、社区规划、全球气象研究等方面都有应用。

粗糙集理论第6章

第六章决策表

第6.1节引言

 本章讨论一类特殊、重要的知识表示系统——决策表，它在许多应用中发挥着重要作用。

 决策表描述了当某些条件被满足时应执行什么决策。大多数决策问题能利用决策表形式化。因此，在制定决策时决策表十分有用。

第6.2节形式定义与性质

定义6.1 设K(U，A)是一个KRS，若C, D  A且C  DA，CD，称C是条件属性集，D是决策属性集，称这样的KRS为CD决策表，简称决策表，记为 T(U, A, C, D)；等价关系IND(C)和IND(D)的等价类分别被称为条件类和决策类.

定义6.2 设T(U, A, C, D)是一个决策表，对任意xU,

aCD，函数dx: AV被称为一条决策规则，这里dx(a)a(x)成立，其中a(x)是元素x关于属性a的属性值. x被称为dx的标号，dx对C的约束dx|C被称为dx的条件，dx对D的约束dx|D被称为dx的决策。

注意：在决策表中，集合U中的元素并不表示一个真实对象，仅仅是一条决策规则的标识符。

定义6.3 设T(U, A, C, D)是一个决策表，xU，若对yU且yx，都有dx|Cdy|C蕴含dx|Ddy|D，则称决策规则dx是一致的，否则称dx是不一致的。若对任意xU，dx都是一致的，则称T是一致的，否则称T是不一致的。 Comments：一致（不一致）有时可以解释为确定（不确定）。

定理6.1

T(U, A, C, D)是一个决策表, T是一致的, 当且仅当CD

由定理6.1可知，检验一个决策表是否一致的方法是计算条件属性和决策属性的相关度，若相关度为1，则可知决策表是一致的；否则是不一致的。

定理6.2

T(U, A, C, D)是一个决策表，T必可唯一地分解为两个决策表: T1(U1, A, C, D)，T2(U2, A, C, D)

且在T1中C1D，在T2中C0D，其中，U1POSC(D)，