基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

基于神经网络和粗糙集规则的提取方法

在利用粗糙集对连续性数据进行分类规则挖掘时，需要对数据进行离散化处理，但是离散结果往往会破坏原有数据的隐含信息，提取的分类规则质量难以保证。该文设计了一种基于自组织人工神经网络与粗糙集理论的分类规则提取方法，利用神经网络自动分类的功能，对离散前后的数据进行分类，比较两次分类结果是否一致，当达到一致性结果后，再利用粗糙集理论对数据约简，进行规则提取，有效地解决了原始数据信息丢失的问题，通过实例证明了该方法的合理性。     

CBA分类算法的一种改进

CBA算法是将关联规则挖掘与分类技术相结合的一种分类算法,在许多领域中得到了广泛应用.针对CBA处理海量数据效率低的缺点,提出了一个改进的CBA算法.该算法将粗糙集理论应用到CBA算法中,对决策表进行属性约简,提高了分类关联规则的生成效率;并应用PEP(pessimistic error pruning)方法对候选规则进行剪裁.实验结果表明,该算法比CBA具有更高的分类效率和准确度.     

一个最优分类关联规则算法

分类和关联规则发现是数据挖掘中的两个重要领域。使用关联规则算法挖掘分类规则被叫做分类关联规则算法,是一个有较好前景的方法。本文提出了一个最优分类关联规则算法——OCARA。该算法使用最优关联规则挖掘算法挖掘分类规则,并对最优规则集排序,从而获得一个分类精度较高的分类器。将OCARA与传统分类算法C4.5和一般分类关联规则算法CBA、RMR在8个UCI数据集上进行实验比较,结果显示OCARA具有更好的性能,证明OCARA是一个有效的分类关联规则挖掘算法。     

基于粗糙集的规则的挖掘

随着计算机技术的发展,急剧产生海量的数据.如何从这些数据中提取有用的信息是一个重要的问题.一种新的数据分析方法--粗糙集理论被提出.该理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具.文中首先对近年兴起的粗糙集的基本理论进行了讨论,在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究.并通过一个实例详细地说明了具体挖掘过程,该实例说明了基于粗糙集进行规则的挖掘是较简单的.     

基于关联规则和粗糙集的话题特征提取方法

针对话题分类文本训练集少、主题相似度大的特点,提出一种基于关联规则和粗糙集的话题特征提取方法。在向量空间模型的基础上,采用挖掘关联规则的方式生成规则集与文本主体,通过调节事务主体的最小支持度与最小置信度查找不同颗粒层次的话题,利用粗糙集理论对词语特征与关联特征进行属性约简。实验结果表明,该方法能提取文本集中描述的评论主题,具有较高的话题分类准确率。     

基于粗糙集的规则的挖掘

随着计算机技术的发展，急剧产生海量的数据。如何从这些数据中提取有用的信息是一个重要的问题。一种新的数据分析方法——粗糙集理论被提出。该理论在分类的意义下定义了模糊性和不确定性的概念，是一种处理不确定和不精确问题的新型数学工具。文中首先对近年兴起的粗糙集的基本理论进行了讨论，在此基础上运用粗糙集理论对从数据库中规则的挖掘方法进行了研究。并通过一个实例详细地说明了具体挖掘过程，该实例说明了基于粗糙集进行规则的挖掘是较简单的。     

基于粗糙集理论的空气质量智能数据分析

粗糙集作为一种智能工具可以用来挖掘数据依赖,数据约简近似集分类以及从数据库中提取规则.本文将粗糙集方法应用在空气质量评估中,从空气数据库中提取其规则从而对数据进行有效的分析.研究表明,在知识推理和建立专家系统方面,粗糙集理论是一种非常有效的工具.     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

医疗健康数据的模糊粗糙集规则挖掘方法研究

医疗健康数据通常属性较多,且存在连续型、离散型并存的混合数据,这在很大程度上限制了知识发现方法对医疗健康数据的挖掘效率。以模糊粗糙集理论为基础,研究混合数据上的分类规则挖掘方法,通过引入规则获取算法的泛化阈值,来控制获取规则集的大小和复杂程度,提高粗糙集知识发现方法在医疗健康数据上的分类效率。最后通过对比实验验证了该算法在医疗决策表上挖掘规则的有效性。     

基于关联模式挖掘的决策规则提取方法

在数据挖掘领域，关联规则的挖掘和基于粗糙集理论抽取决策规则是两种截然不同的方法，但在统计意义下两种方法产生的规则基本相同。结合关联规则挖掘方法和粗糙集方法的优点，基于Apriori算法提出一种优化算法，获取具有一定支持度和可信度阈值且不产生冗余的决策规则，以提高粗糙集属性值约简算法的性能。     

基于Rough集的数据挖掘模型研究

这项工作的主要目的是表明怎样能够有效地实现基于Rough集的数据挖掘技术,在这篇论文里,我们详细讨论了Rough集理论,为了从基于Rough集的数据库中发现新的规则,研究了一种适合数据挖掘的面向对象的软件系结构,给出了数据挖掘算法、规则发现算法和规则约简算法,从初始数据库的信息出发,依次建造差别矩阵、约简表和规则表,最后给出了一个模拟实例,表明我们的模型和算法是可行的。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

一种基于粗糙集和神经规则法的数据挖掘新方法

确立了结合粗糙集理论和神经规则法进行数据挖掘的方法.首先通过粗糙集对需要挖掘的数据进行预处理,实现属性的约简,然后应用神经规则法进行网络剪枝和规则提取.通过实例计算表明,在结果置信度降低不多的情况下,可以得到简单明确的关联规则,并有效地提高数据挖掘的效率.     

Combining Rough Sets and Bayes' Rule

In rough set theory with every decision rule two conditional probabilities, called certainty and coverage factors, are associated. These two factors are closely related with the lower and the upper approximation of a set, basic notions of rough set theory. It is shown that these two factors satisfy the Bayes' rule.
The Bayes' rule in our case simply shows some relationship in the data, without referring to prior and posterior probabilities intrinsically associated with Bayesian inference. This relationship can be used to "invert" decision rules, i.e., to find reasons (explanation) for decisions thus providing inductive as well as deductive inference in our scheme.     

Rough set feature selection and rule induction for prediction of malignancy degree in brain glioma

The degree of malignancy in brain glioma is assessed based on magnetic resonance imaging (MRI) findings and clinical data before operation. These data contain irrelevant features, while uncertainties and missing values also exist. Rough set theory can deal with vagueness and uncertainty in data analysis, and can efficiently remove redundant information. In this paper, a rough set method is applied to predict the degree of malignancy. As feature selection can improve the classification accuracy effectively, rough set feature selection algorithms are employed to select features. The selected feature subsets are used to generate decision rules for the classification task. A rough set attribute reduction algorithm that employs a search method based on particle swarm optimization (PSO) is proposed in this paper and compared with other rough set reduction algorithms. Experimental results show that reducts found by the proposed algorithm are more efficient and can generate decision rules with better classification performance. The rough set rule-based method can achieve higher classification accuracy than other intelligent analysis methods such as neural networks, decision trees and a fuzzy rule extraction algorithm based on Fuzzy Min-Max Neural Networks (FRE-FMMNN). Moreover, the decision rules induced by rough set rule induction algorithm can reveal regular and interpretable patterns of the relations between glioma MRI features and the degree of malignancy, which are helpful for medical experts.     

基于粗糙集的焊接类型关联规则提取

为了从大量工艺数据中获得潜在的、有价值的工艺知识,提出了基于粗糙集的焊接类型关联规则提取方法。分析与焊接类型相关的属性,建立焊接类型选择的决策表,应用粗糙集属性约简删除对焊接类型选择没有影响的属性。应用Apriori算法获取频繁项集,为了减少冗余项集产生,采用不同属性的项集进行联接;应用较低的支持度和较高的置信度提取强规则。以具体的实例验证了该方法,提取的规则对焊接类型的选择有很好的参考价值。     

Probabilistic approaches to rough sets

Abstract: Probabilistic approaches to rough sets in granulation, approximation and rule induction are reviewed. The Shannon entropy function is used to quantitatively characterize partitions of a universe. Both algebraic and probabilistic rough set approximations are studied. The probabilistic approximations are defined in a decision‐theoretic framework. The problem of rule induction, a major application of rough set theory, is studied in probabilistic and information‐theoretic terms. Two types of rules are analyzed: the local, low order rules, and the global, high order rules.     

The Extraction of Trading Rules From Stock Market Data Using Rough Sets

We propose the rough set approach to the extraction of trading rules for discriminating between bullish and bearish patterns in the stock market. Rough set theory is quite valuable for extracting trading rules because it can be used to discover dependences in data while reducing the effect of superfluous factors in noisy data. In addition, it does not generate a signal to trade when the pattern of the market is uncertain because the selection of reducts and the extraction of rules are controlled by the strength of each reduct and rule. The experimental results are encouraging and show the usefulness of the rough set approach for stock market analysis with respect to profitability.