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.     

相似度三支决策模糊粗糙集模型的决策代价研究

在三支决策模糊粗糙集模型中,一些学者基于相似度三支决策模糊粗糙集模型建立了目标函数来得到最优阈值对 $\left( {\alpha ,\;\beta } \right)$ 的计算方法,但在该过程的研究中,学者并没有在相似度三支决策模糊粗糙集模型中讨论关于决策代价的描述问题。基于模糊信息系统用新的函数来描述决策代价成为计算阈值对 $\left( {\alpha ,\;\beta } \right)$ 的一种方法,首先,在模糊信息系统中,通过建立一个描述决策代价的函数,将模糊信息系统中的模糊数与三支决策的决策代价联系在一起;然后对隶属频率进行拟合,得到了三支决策中决策代价的数值描述;最后,通过两个实例说明了该方法的可行性和适用性。     

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。     

基于区间概念格的三支决策动态策略调控模型

深入分析区间概念格的由上下界外延和内涵构成的区间概念特征和层次结构特性,融合基于决策粗糙集的三支决策理论,提出区间三支决策空间概念,通过降低决策损失实现决策的动态调控从而达到决策方案最优。将区间概念外延划分为三个域：正域、负域和边界域,并给出了基于区间概念的三支决策规则、决策度量函数与决策损失函数,分析了区间参数与函数之间的变化关系;定义了区间三支决策概念和由决策动作和决策损失共同构成的决策,并运用区间概念格的建格方法构建了三支决策空间;基于区间三支决策空间建立了动态策略调控模型,实现了对实际问题的动态决策并能有效降低决策失误带来的损失;通过医疗诊断实例证明了模型的正确性与可行性。     

面向混合数据的多伴随三支决策

针对混合数据的知识表示和分类的问题,在思考混合数据的有效表示时,提出代价敏感多伴随模糊粗糙集模型,在解决混合数据的分类问题上,引入三支决策思想,同时在多伴随模型基础上做了两点改进:1）提出贴近代价敏感多伴随模糊粗糙集模型特点的概率定义;2）借助双量化延迟代价目标函数的思想,构造面向混合数据的新型三支决策模型。该模型具有如下特点:1）引入多个伴随对,模拟了数值型属性和符号型属性之间异构互补的关系;2）定义多伴随算子,充分表达了不同类型属性之间的偏好;3）结合模糊粗糙集,克服了分类问题的不确定性;4）考虑获取不同类型属性的代价,提高了应用到实际生活的可能性。最后用实例验证了此模型的有效性。     

基于三支决策的支持向量机增量学习方法

针对典型的支持向量机增量学习算法对有用信息的丢失和现有支持向量机增量学习算法单纯追求分类器精准性的客观性,将三支决策损失函数的主观性引入支持向量机增量学习算法中,提出了一种基于三支决策的支持向量机增量学习方法.首先采用特征距离与中心距离的比值来计算三支决策中的条件概率;然后把三支决策中的边界域作为边界向量加入到原支持向量和新增样本中一起训练;最后,通过仿真实验证明,该方法不仅充分利用有用信息提高了分类准确性,而且在一定程度上修正了现有支持向量机增量学习算法的客观性,并解决了三支决策中条件概率的计算问题.     

基于覆盖的Sugeno测度粗糙集模型及其三支决策

概率粗糙集是研究不确定信息的重要理论基础,有着广泛的应用。由于概率粗糙集中的等价关系和概率测度的可加性要求过于严格,且在实际问题应用中难以满足,因此,对概率粗糙集及其模型进行拓展研究是非常有必要的。在概率粗糙集、Sugeno测度和三支决策的理论基础上,对基于覆盖的Sugeno测度粗糙集模型及其三支决策规则进行了研究。首先构造了一种基于覆盖关系的Sugeno测度粗糙集模型,定义了该模型的上、下近似算子;然后证明了其并、交、补等运算的代数性质;最后结合三支决策理论,给出了该模型的三支决策规则和方法,并用实例验证了其有效性。     

基于三支决策的证据融合策略

针对现有证据合成改进方法过程复杂，计算量较大，不加判别地处理证据冲突等问题，提出一种基于三支决策的证据融合策略.首先将证据关系分为一致、冲突和中立3种，建立基于三支决策的证据关系模型.设计算法筛选出证据支持的主要焦元.利用焦元集合的相似度和向量距离分别计算一致概率和代价函数.依据贝叶斯最小风险决策理论来判定证据关系.接着，在该模型的基础上提出基于三支决策的证据融合策略.根据各证据的主要焦元确定初始证据集的焦元分布.通过把证据划分到不同证据集内部或边界上来实现证据的三支划分.最后对加权修正的证据集融合结果和边界证据进行合成.算例分析表明，本文方法不仅能处理证据悖论，还使融合结果更稳定可靠.     

效用三支决策模型

风险型决策通常受主观和客观两方面因素影响,决策过程中不仅需要遵从客观存在的风险信息,而且需要发挥决策者的主观能动性。为了在决策过程中引入决策者对于风险的主观态度,本文把效用理论应用于三支决策模型,通过将风险损失函数扩展为效用函数提出了基于效用的三支决策模型。研究了效用与对象的概率之间的单调关系,给出了效用三支决策中正域效用、边界域效用与负域效用的计算方法。最后,通过算例对提出的效用三支决策模型进行了有效地分析。该模型是经典三支决策模型的扩展,为三支决策模型中风险的主观量化研究提供了有益探索。     

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。     

基于序贯三支决策的代价敏感文本情感分析方法

为了解决文本情感分析的代价不平衡及静态决策中分类代价偏高的问题,文中考虑动态决策过程中产生的误分类代价和学习代价,构建基于序贯三支决策的代价敏感文本情感分析方法.首先,为了构建多粒度动态决策环境,提出针对文本数据的粒化模型.然后,引入序贯三支决策模型,构建动态文本分析框架.最后,利用真实文本评论数据集验证文中方法的有效性.实验表明文中方法在提高分类质量的同时,明显降低整体的决策代价.     

基于邻域代价敏感三支决策的痛风诊断模型

三支决策基于代价敏感,通过引入延迟决策,在信息不完备的情况下,能够使分类更加合理。考虑具有混合属性特征的决策信息系统优化决策问题,在混合属性信息系统上定义了邻域关系,构建了基于邻域关系的决策粗糙集模型。在此基础上将其应用于痛风临床诊断决策问题,运用多次迭代学习的方法对痛风数据进行分类。与SVM（Support Vector Machine）、RF（Random Forest）、LR（Logistic Regression）分类算法进行对比,证明了该方法的优越性。根据分类结果发现因素之间的内在联系,获取分类规则,探究痛风与肝功、肾功、血脂、血糖的相关性,为痛风成因研究和诊断治疗提供知识支持和决策支持。     

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.     

Three-way decision reduction in neighborhood systems

Rough set reduction has been used as an important preprocessing tool for pattern recognition, machine learning and data mining. As the classical Pawlak rough sets can just be used to evaluate categorical features, a neighborhood rough set model is introduced to deal with numerical data sets. Three-way decision theory proposed by Yao comes from Pawlak rough sets and probability rough sets for trading off different types of classification error in order to obtain a minimum cost ternary classifier. In this paper, we discuss reduction questions based on three-way decisions and neighborhood rough sets. First, the three-way decision reducts of positive region preservation, boundary region preservation and negative region preservation are introduced into the neighborhood rough set model. Second, three condition entropy measures are constructed based on three-way decision regions by considering variants of neighborhood classes. The monotonic principles of entropy measures are proved, from which we can obtain the heuristic reduction algorithms in neighborhood systems. Finally, the experimental results show that the three-way decision reduction approaches are effective feature selection techniques for addressing numerical data sets.     

基于多类邻域三支决策模型的不平衡数据分类

不平衡数据分类是一种重要的数据分类问题。对于不平衡数据中规模较小的类,传统的分类算法的分类效果较差。对此,提出一种多类邻域三支决策模型的不平衡数据分类算法。首先,将传统的三支决策在混合数据和多个类的情形下进行推广,提出了混合数据的多类邻域三支决策模型;然后,在该模型中给出一种自适应代价函数的设定方法,并基于该方法提出了多类邻域三支决策模型的不平衡数据分类算法。仿真实验的结果表明,所提出的分类算法对于不平衡数据具有更好的分类性能。     

基于区间二型模糊决策粗糙集的三支决策方法

考虑到区间二型模糊数在描述高度不确定性信息方面的优势,将区间二型模糊数拓展到决策粗糙集中,提出两种区间二型模糊三支决策方法.在没有类标签的区间二型模糊信息系统中,解释损失函数与确定条件概率是需要解决的两个关键问题.首先,根据区间二型模糊数的性质,将其引入决策粗糙集中,为损失函数提供一种新的解释.其次,基于贝叶斯决策过程...     

面向混合数据的代价敏感三支决策边界域分类方法

针对现有三支决策模型的研究对象多为单一性数据的决策系统,对于混合数据边界域样本处理的研究相对较少,本文面向混合数据提出了基于核属性的代价敏感三支决策边界域分类方法。该方法基于正域约简计算混合邻域决策系统的核属性集,在此基础上计算混合邻域类,并利用三支决策规则分别将对象划分到各决策类的正域、边界域和负域;提出了一种基于代价敏感学习的三支决策边界域分类方法,并构造了误分类代价的计算方法,以此划分边界域中的对象。通过对UCI上的10个数据集进行实验对比与分析,进一步验证了本文方法,为处理边界域样本提供了一种可行有效的方法。     

概率粗糙集三支决策在线快速计算算法研究

随着大数据和物联网技术的不断发展,动态在线计算已经成为了一种常见的计算模式,在动态在线计算中进行不确定问题的推理和求解是一项具有挑战性的新议题。概率粗糙集三支决策理论是一种处理不确定性知识挖掘的有效工具,根据在线计算模式中数据同步增减的动态特点,提出了一种概率粗糙集三支决策的在线计算方法。首先,以内存滑动窗口模式对在线动态计算的数据变化特点进行理论建模;然后,根据上述模型中在线计算的数据变化模式,推导出不同类型数据变化模式下的三支决策条件概率及三支区域的变化规律;最后,提出了一种新型在线快速计算算法,其获取的三支决策规则与经典概率三支决策算法是等效的。通过与经典三支决策计算算法的多组对比实验,验证了提出的在线快速计算算法的高效性与稳定性。