三支决策的时空性

从三支决策发展历史和已有研究出发,在总结和分析三支决策近年来理论、方法、算法及应用的基础上,基于时间和空间两个维度,分别提出了时间三支决策模型和空间三支决策模型。时间三支决策注重在动态决策环境下对序贯决策进行诠释;空间三支决策主要基于“多层次”和“多视角”的粒计算思想对最优粒层和粒度进行选择。此外,对三支决策的时空性作了深入探讨和分析,厘清了三支决策发展过程和研究脉络。最后,对三支决策的研究现状进行总结,并给出未来发展方向。     

三支决策与决策粗糙集融合模型

Paw lak粗糙集模型没有对正域、边界域和负域赋予语义,不能进行再决策,而三支决策对边界域赋予了新的语义,可以对边界域做出进一步刻画,对于边界域的进一步划分,依据属性的重要性,使满足条件的样本划入再决策域,不满足条件的样本继续保留在边界域中,降低了边界域样本处理的失误率.本文在对概率粗糙集模型、三支决策粗糙集的理论、贝叶斯理论的决策过程和决策粗糙集模型进行研究的基础上,提出了一种三支决策与决策粗糙集融合模型,与Paw lak-三支决策模型相比,其划分损失更小,处理结果更优.该模型运用三支决策理论对决策粗糙集的边界域赋予延迟决策的语义,对于延迟决策再运用三支决策理论进行迭代操作,对边界域样本进一步处理.在迭代的过程中,依据属性的重要程度将属性排序,从而客观的得到迭代过程中每次优先依据哪个属性进行划分.实验结果表明,该模型比单一运用决策粗糙集模型进行决策代价小,三支决策通过迭代对边界域处理的正确率有所提高,这为准确决策提供了一种新的方法.     

基于决策粗糙集的广义序贯三支决策方法

三支决策是求解动态不确定性问题的有效方法之一。相比传统的二支决策,序贯三支决策方法在信息不充分或证据不足时能有效平衡决策结果代价和过程代价。在研究多层次的粒结构、多选择的处理对象和多样化的代价结构的基础上,提出了一种基于决策粗糙集的广义序贯三支决策模型。该模型在每一层都考虑了7种不同的对象处理方式。最后,通过实验对比分析了该模型中7种方法的效率和性能。     

三支决策代价目标函数的关系及推理研究

三支决策是不确定问题求解的重要理论。经典的决策粗糙集模型通过计算三支区域总体决策最小化风险,给出了一种有效的三支决策阈值求解方案。然而 对于决策粗糙集理论中代价目标函数之间的逻辑关系及其三支决策阈值间的推理 ,目前尚未有研究进行深入讨论。首先,提出了一种基于三支决策代价目标函数间逻辑关系的新型阈值计算方法。其次,根据不同损失函数取值分布情况下的三支决策阈值推导,分别给出了不同阈值的三支分类语义解释。最后,通过一组典型的实例证明了提出的基于三支决策代价目标函数的阈值计算方法及三支决策分类的推理是有效的。     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

分段延迟代价敏感三支决策

决策粗糙集理论中,三支决策代价目标函数是典型的单调线性函数.然而,在实践经验中经常发现延迟决策的代价与决策概率之间的函数关系往往呈现非单调特性,决策粗糙集理论的经典代价敏感三支决策模型无法对上述非单调现象进行直接的建模和推理,导致决策粗糙集理论的应用受到了限制.为了求解这种具有非单调延迟代价的代价敏感三支决策问题,提出一种新型分段延迟代价敏感三支决策模型.该模型定义了具有单调递增和单调递减特性的两组延迟决策损失函数,并结合经典正负域决策损失函数构造了分段延迟三支决策代价目标函数体系、度量指标和分段决策策略;然后,基于条件概率、损失函数及基础度量指标之间关系的4种分段延迟代价敏感三支决策分类模式被提了出来,并且对相应的三支分类阈值进行了推理;最后,通过一组典型实例,验证了分段延迟代价敏感三支决策模型及其三支分类是可行的.     

基于三支决策理论的客户细分方法

针对客户细分问题中存在的不确定性,提出了一种基于三支决策理论的细分方法。该方法综合考虑了客户细分的风险代价和收益,基于三支决策理论,建立了客户细分模型,给出了计算三支决策阈值的方法,同时还给出了应用实施的步骤。最后,通过实例分析说明了客户细分方法的应用过程和优势所在。三支决策不是仅仅作为二支决策的过程,而是在最终结果中保留三支结果,以采取三种不同的策略,这赋予了三支决策三个域以新的解释。三支决策理论的引入,为客户细分提供了新的思路和方法,可以最小化决策风险代价。     

基于邻域三支决策粗糙集模型的软件缺陷预测方法

基于已有软件缺陷数据,建立分类模型对待测软件模块进行预测,能够提高测试效率和降低测试成本。现有基于机器学习方法对软件缺陷预测的研究大部分基于二支决策方式,存在误分率较高等问题。本文针对软件缺陷数据具有代价敏感特性且软件度量取值为连续值等特性,提出了一种基于邻域三支决策粗糙集模型的软件缺陷预测方法,该方法对易分错的待测软件模块作出延迟决策,和二支决策方法相比,降低了误分类率。在NASA软件数据集上的实验表明所提方法能够提高分类正确率并减小误分类代价。     

基于软粗糙集的犹豫模糊三支决策方法

三支决策理论采取“三分而治”的处理思路,为复杂问题求解提供了一种简洁高效的解决方案.对此,借助软集理论研究犹豫模糊集和三支决策方法,通过定义犹豫模糊集的值空间和值陪集,引入犹豫模糊集的典范软集、单位区间参数化软集和导出犹豫模糊集等概念,解决犹豫模糊集和软集的相互表示问题.此外,利用软粗糙集理论建立一种基于犹豫模糊集的广义粗糙模型,借助给定的预决策集,计算软上近似集并确定评价函数,进而提出一种基于软粗糙集的犹豫模糊三支决策方法.最后,通过两个数值实例和相关对比分析,验证所提出三支决策方法的合理性和有效性.     

三支决策-基于粗糙集与粒计算研究视角

从三支决策3个历史发展阶段出发,通过粗糙集和粒计算两个研究视角对三支决策的发展踪迹和演化过程进行介绍。分析了三支决策与粗糙集理论的历史脉络、内在联系和相互关系,探讨了决策粗糙集、概率粗糙集、粗糙集和三支决策之间的包含关系;探讨了基于多层次粒计算和多视角粒计算下的三支决策方法;提出了一个基于三支决策的粒计算研究框架模型。最后,给出了三支决策的研究现状和未来发展方向。     

三支决策与三支关注的双量化集成*

三支决策依托的条件概率只具有相对性,绝对性度量的引入与集成有利于规则提取.文中挖掘绝对条件概率建立三支关注,研究三支决策与三支关注的双量化集成.提取相对条件概率与绝对条件概率,分析2种度量的系统关系,得到异质性与互补性.利用绝对条件概率建立三支关注,与三支决策进行双量化集成,得到集成区域类型与基本语义(粒)体系.利用一个统计决策表案例进行说明.三支关注依托绝对条件概率成为新型三支模式,与三支决策的双量化集成呈现系统性与应用性.     

基于三支决策的二阶段图像分类方法

针对深度学习单一模型不能有效处理不确定性预测结果的问题,文中从三支决策出发,将阴影集理论引入图像分类中,构建两阶段图像分类方法.首先,使用卷积神经网络分类样本,获得隶属度矩阵.然后,使用基于阴影集的样本划分算法处理隶属度矩阵,获得分类结果中存在不确定性的部分,即不确定域,进行延迟决策.最后,使用特征融合技术,将SVM作为分类器进行二次分类,降低分类结果的不确定性,提高分类准确率.在CIFAR-10、Caltech 101数据集上的实验验证文中方法的有效性.     

多阶段三支决策垃圾短信过滤模型

提出了一种多阶段三支决策垃圾短信过滤模型。该模型使用不同的信息粒度对短信进行表示,运用序列决策（即多阶段、多步骤决策）,在不同的决策阶段基于不同的信息粒度分别进行三支决策,有效地避免了当信息粒度太大或信息量不足时进行不合理的决策,对于不能满足当前决策条件的信息,可以通过补充足够的粒度信息作进一步的决策。最后通过实验证明了该模型的合理性和有效性。     

面向不完备邻域系统的三支决策粒计算方法

针对许多应用领域中的数据大多是连续型数值,且由于成本限制和隐私保护等因素导致数据呈现不完备性。为此,提出面向不完备邻域系统的三支决策粒计算方法,引入邻域概念改进非对称相似关系,并通过改进的非对称相似关系计算不完备邻域系统的邻域粒度;在此基础上计算对象属于决策类的最大条件概率,再根据三支决策规则分别将对象划分到各决策类的正域、负域和边界域;通过实验比较和分析,进一步验证了该方法能获得较好的划分准确率和较低的误划分损失,为三支决策对不完备邻域数据的分析和处理提供了一种有效可行的方法。     

基于混淆矩阵的多目标优化三支决策模型*

鉴于混淆矩阵在机器学习算法性能评价领域的通用性,文中以混淆矩阵为基础构造概率粗糙集三支决策度量系统,给出部分度量指标之间的性质及其证明,提出基于混淆矩阵度量指标体系的多目标优化三支决策阈值求解模型.模型中多目标优化函数被视为不同三支决策度量指标的加权之和,而最优阈值的求解也获得一种新型的语义解释.最后通过实例演示模型如何确定接受与拒绝域阈值,同时对比Pawlak粗糙集方法,表明文中模型获得的三支决策能够更好地平衡决策的准确率与承诺率.     

基于勾股模糊集评价的三支决策方法

针对勾股模糊三支决策概率阈值难以确定的问题,文中提出基于优化表示的勾股模糊三支决策概率阈值确定方法.首先从优化的视角研究一对对偶模型,利用KKT条件证明该对偶模型与决策粗糙集模型的等价性.然后,在确定勾股模糊集评价的三支决策概率阈值时引入对偶模型,基于勾股模糊数非线性排序法建立一对非线性规划模型,证明模型最优解的存在性与唯一性.最后,采用优化技术搜索模型最优解,并提出基于勾股模糊集评价的三支决策方法.算例及对比分析表明文中方法能有效克服现有方法难以确定勾股模糊三支决策概率阈值的不足.     

三支决策朴素贝叶斯增量学习算法研究

增量学习利用增量数据中的有用信息通过修正分类参数来更新分类模型,而朴素贝叶斯算法具有利用先验信息以及增量信息的特性,因此朴素贝叶斯算法是增量学习算法设计的最佳选择。三支决策是一种符合人类认知模式的决策理论,具有主观的特性。将三支决策思想融入朴素贝叶斯增量学习中,提出一种基于三支决策的朴素贝叶斯增量学习算法。基于朴素贝叶斯算法构造了一个称为分类确信度的概念,结合代价函数,用以确定三支决策理论中的正域、负域和边界域。利用三个域中的有用信息构造基于三支决策的朴素贝叶斯增量学习算法。实验结果显示,在阈值[α]和[β]选择合适的情况下,基于该方法的分类准确性和召回率均有明显的提高。     

三支决策视角下概念格的分析和比较*

基于概念的构造和形式背景的构成,文中从三支决策的视角探究不同概念格之间的内在联系,分别对比不完备形式背景和经典形式背景中的概念格及直觉模糊形式背景和模糊形式背景中的概念格,展现三支决策在概念格理论中的重要价值.通过对比可以看出,相比经典形式背景和模糊形式背景中的概念格,不完备形式背景和直觉模糊形式背景中的概念格体现三支决策思想,具有数据存储所占空间更小,属性约简更简洁等优势.     

CCA三支决策模型的边界域样本处理

构造性覆盖算法（constructive covering algorithm,CCA）三支决策模型在学习过程中根据样本分布特征,自动产生正域、负域和边界域。该模型为边界域样本处理问题提供了新的思路。重点讨论了基于CCA的三支决策的边界域样本处理问题。对边界域样本处理提出了两种决策方案：一种为处理全部的边界域样本,给出了距中心最近原则、距边界最近原则、万有引力原则3种方法;另一种为处理部分的边界域样本,即只对满足一定条件的边界域样本作进一步的划分,这样使不满足条件的边界域样本仍保留在边界域,提高了边界域样本处理的正确率。用十字交叉法在5组数据集上对这两种决策方案进行了对比,实验结果表明,处理部分边界域样本时正确率更高,效果更好。