基于变精度粗糙集属性约简

在大数据时代，数据不仅类型多样、结构复杂还具有动态变化的特点，传统的分析工具已经不能满足大数据分析的需求。如何快速有效地从大规模数据中获取有价值的信息成了一个具有挑战性的问题。一些学者将粗糙集属性约简

粗糙集属性约简及其在电力系统中的若干应用

基于变精度粗糙集的决策树优化算法研究，常志玲，周庆敏，应用变精度粗糙集理论，提出了一种利用新的启发式函数构造决策树的方法。该方法以变精度粗糙集的分类质量的量度作为信息函数，对

邻域系统粗糙集和覆盖粗糙集是经典粗糙集的两种重要扩展。通过分别比较各模型中下(上)近似集之间的包含关系和近似精度之间的大小关系,深入探讨邻域系统粗糙集和6种覆盖粗糙集模型之间的关系,得出了邻域系

由于条件属性在各样本的分布特性和所反映的主观特性的不同，每一个样本对应于真实情况的局部映射。建立了粗糙集理论中样本知识与信息之间的对应表示关系，给出了由属性约简求约简决策表的方法。基于后离散化策略处理

针对属性值为犹豫模糊元的决策问题, 提出一种基于粗糙集理论的多属性决策方法. 首先, 依据属性值与理想点的贴近度和给定的阀值得到判断矩阵; 然后, 根据判断矩阵对属性集进行约简, 确定属性权重; 最后

针对决策粗糙集属性约简在引入代价后分类精度不高的问题，对其中代价敏感与分类精度的平衡进行了研究。将分类总代价和近似分类质量作为属性约简过程中的约束条件，结合模拟退火方法，提出了一种基于代价敏感和近似分

该研究提出了一种改进的区分矩阵方法，从而更好地对粗糙集的属性进行约简。

一种可以挖掘出数据间关联的算法，具有良好的使用性。本文档深入浅出的讲了原理，思路十分清楚，并且举了个例子说明该算法，比较直观容易读懂，可以快速的掌握该算法。

用粗糙集理论进行连续数据离散化、属性约简、属性值约简三个步骤