基于粗糙集的数据挖掘研究

论文摘要

作为一种处理不确定性的数学工具,粗糙集受到越来越多的重视,其有效性已在许多科学与工程领域的成功应用中得到证实,是当前国际上人工智能理论及其应用领域中的研究热点之一。在数据挖掘中,粗糙集有着许多优点,不需附加信息就可以找出数据潜在的知识。本文所要研究的是分类算法中粗糙集属性约简问题。属性约简作为粗糙集理论的核心内容,其对知识的获取有着很重要的意义。本课题对于这方面的研究提出了两种新的改进算法,并取得了较好的效果。在属性约简上,本文利用互信息作为启发信息,提出了I-RS分类算法。针对数据的差异性,本文利用广义互信息对单条数据进行规则约简,提出了BI-RS算法,从而使分类精度得到了明显的提高。

论文目录

• 提要
• 第1章 绪论
• 1.1 本文的背景和意义
• 1.2 数据挖掘
• 1.2.1 数据挖掘与知识发现
• 1.2.2 数据挖掘的功能
• 1.2.3 数据挖掘的方法
• 1.2.4 数据挖掘的分类算法
• 1.2.5 数据挖掘的研究现状
• 1.3 本文的结构
• 第2章 粗糙集
• 2.1 引言
• 2.1.1 粗糙集概述
• 2.1.2 粗糙集与数据挖掘
• 2.2 粗糙集理论
• 2.2.1 知识的分类
• 2.2.2 概念的边界观点
• 2.2.3 知识的约简
• 2.2.4 决策表和决策逻辑
• 2.2.5 决策表的约简
• 2.3 小结
• 第3章 基于互信息的粗糙集分类算法
• 3.1 信息论
• 3.1.1 信息熵
• 3.1.2 条件熵
• 3.1.3 互信息
• 3.1.4 广义互信息
• 3.2 基于属性重要性粗糙集分类算法
• 3.2.1 算法思想
• 3.2.2 算法实现
• 3.3 基于互信息粗糙集分类算法
• 3.3.1 I-RS算法思想
• 3.3.2 I-RS算法描述
• 3.3.3 I-RS代码实现
• 3.4 基于广义互信息粗糙集分类算法
• 3.4.1 BI-RS算法思想
• 3.4.2 BI-RS算法描述
• 3.4.3 BI-RS代码实现
• 3.5 实验比较与结果分析
• 3.6 阈值问题
• 3.7 小结
• 第4章 数据离散化
• 4.1 离散化描述
• 4.1.1 离散化本质
• 4.1.2 决策表的相容度
• 4.2 基于信息熵的属性离散化
• 4.3 实验比较与结果分析
• 4.4 小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 研究展望
• 参考文献
• 致谢
• 摘要
• ABSTRACT