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。     

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。     

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.     

广义三支决策与狭义三支决策

从三支决策发展历史出发,在总结三支决策近年来研究的基础上,基于三支决策现有模型、算法及应用,提出了一种广义三支决策和狭义三支决策理论。广义三支决策注重对三支决策概念内涵和外延进行诠释;狭义三支决策主要注重三支决策在实际决策问题中的语义解释。提出了一种"四层次"三支粒结构决策模型,从静态和动态、广义和狭义两种视角对三支决策进行剖析,厘清了三支决策发展过程和研究脉络。最后,给出了三支决策的研究现状和未来发展方向。     

三支决策中不承诺决策的转化代价与风险控制

三支决策将决策域分为接受域、拒绝域和不承诺域3个部分,是二支决策理论的扩展,取得了广泛的应用。由于三支决策的不承诺型决策结果也要付出代价,因此首先对不承诺型决策进行风险分析,其次研究构建不承诺型决策向二支决策的转化流程,再次给出基于最小转化代价的不承诺型决策的风险控制模型,最后用实例分析证明了模型的有效性。     

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.     

基于最优相似度三支决策的模糊粗糙集模型

模糊信息系统中,对象的相似度往往会受噪声影响,且它在模型运算中常常并非全部需要高精度参与计算。文中首先引入阈值对(α,β),提出了一种基于相似度三支决策的模糊粗糙集模型;其次利用模糊集近似的三支决策方法,给出了对象相似度三支决策的错误率、决策代价以及相应的语义解释;然后以总体决策代价最小化为目标,给出了最优(α,β)的计算方法,从而建立了一种基于最优相似度三支决策的模糊粗糙集模型;最后通过实例分析说明了该模型的可行性和合理性。本文建立的三支决策模糊粗糙集模型保留了模糊信息系统的不确定性,一定程度地去除了噪声影响,且能通过计算得到最优阈值(α,β),从而建立基于相似度三支决策的最优模型,这将有益于模糊信息系统的应用。     

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。     

基于概率图的三支决策模型研究

概率图模型是一类用图形模式表达基于概率关系的模型的总称,用该模型解决损失代价问题已成为当前的研究热点。结合概率图和三支决策理论,提出了基于概率图的三支决策模型。该模型通过对数据进行分析,构造其Bayes网络;并根据模型中节点的相互依赖关系,计算出条件概率分布函数;结合查询变量的先验概率和三支决策损失代价函数,建立了相应的决策规则,给出了概率推理决策中代价最小化问题的一种解决方法。最后通过教学评估实例验证了该模型的有效性。     

基于收益最大化的三支决策中不承诺决策转化

三支决策是对传统二支决策的推广,它在原有的二支决策中增加了不承诺域,避免了直接做出接受决策或拒绝决策所需承担的风险。但是,从效果上看,不承诺决策和拒绝决策是相同的,不承诺决策同样需要承担风险。基于收益最大化原则的转化方法给出了三支决策中不承诺决策的转化模型,并且比较了收益最大化原则和转化代价最小原则在不同情景中决策上的相同和差异,最后通过实例证明了模型的正确性和可行性。     

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。     

代价敏感的序贯三支决策方法

在现实决策中,代价敏感问题是影响人类决策的重要因素之一,许多研究者致力于降低决策的代价。现阶段,在粗糙集领域中,研究者多基于DTRS模型且仅考虑某一种代价,不够全面。针对以上问题,利用序贯三支决策模型对两种代价的敏感性,通过多层次粒结构可以有效降低决策总代价,且能够更好地模拟人类动态渐进的决策过程。在序贯三支决策模型的基础上,构造了多层次粒结构;将各个属性的测试代价与其分类能力相关联,从信息熵的角度为其设置测试代价;与此同时,将属性约简与序贯三支决策相结合,利用基于代价最小准则的属性约简去除冗余属性及不相关属性对代价的影响。在7个UCI数据集上的实验结果显示,在保证较高准确度的同时,决策的总代价平均下降了26%左右,充分验证了该方法的有效性。     

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。     

基于三支决策的多类分类模型

在多类分类问题的实际应用中,决策者通常希望得到的决策结果是唯一的,即避免出现决策冗余与冲突。因此,借鉴三支决策的思想,通过增加延迟决策类,将m个多类分类问题变为m+1个多类分类问题,使得原本的代价参数减少,又使得最终的决策结果不存在冗余与冲突。提出一种基于三支决策的多类分类模型,并用实例说明了该方法的实用性。     

基于高维多目标序贯三支决策的恶意代码检测模型

针对传统基于二支决策的恶意代码检测方法在面对动态环境中的复杂海量数据时,没有考虑在信息不充足条件下进行决策产生影响的问题,本文提出了一种基于卷积神经网络的序贯三支决策恶意代码检测模型。通过卷积神经网络对样本数据进行特征提取并构建多粒度特征集,引入序贯三支决策理论对恶意代码进行检测。为改善检测模型整体性能,避免阈值选取的主观性,本文在上述模型的基础上,同时考虑模型的综合分类性能、决策效率和决策风险代价建立高维多目标序贯三支决策模型,并采用高维多目标优化算法对模型进行求解。仿真结果表明,模型在保证检测性能的同时,有效地提升了决策效率,降低了决策时产生风险代价,更好地拟合了真实动态检测环境。     

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.     

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。