标签：overline frac 近似 约简 粗糙集 聊一聊 quad underline
本节我们将继续介绍粗糙集有关的概念。
上节我们介绍了知识粒度的矩阵表示形式，本节将介绍基于知识粒度属性约简定义和算法。
基于粗糙特征选择算法亦称为属性约简，其旨在保持数据集分类能力不变的前提下，通过约简冗余属性，最后得到问题的决策或分类规则。
相关定义
设决策信息系统\(S=(U,A=C \bigcup D,V,f)\)，\(B \subseteq C\)，如果\(B\)为\(S\)的最小属性约简，则：
\[
GP_{U}(D \mid B)=GP_{U}(D\mid C)
\]
\[ \forall a \in B,\quad GP_{U}(D \mid B -\{a\})\not= GP_{U}(D \mid B) \]
第一个式子保证了约简集\(B\)有着与全体条件属性集\(C\)相同的划分能力；而第二个条件保证了约简集\(B\)内没有冗余属性。
近似分类精度的定义如下：
设决策信息系统\(S=(U,A=C \bigcup D,V,f)\)，\(\forall X \subseteq U\)，\(R\)是一个等价关系，则集合\(X\)关于等价关系\(R\)的近似分类精度为：
\[
\alpha_{R}(X)=\frac{|\underline{R}X|}{|\overline{R}X|}
\]
其粗糙度为：
\[
\rho_{R}(X)=1-\alpha_{R}(X)
\]
近似分类质量的定义如下：
设决策信息系统\(S=(U,A=C \bigcup D,V,f)\)，\(\forall X \subseteq U\)，\(R\)是一个等价关系，则集合\(X\)关于等价关系\(R\)的近似分类质量为：
\[
\gamma_{R}(X) =\frac{|\underline{R}X|}{|U|}
\]
或者说
决策信息系统\(S=(U,A=C \bigcup D,V,f)\)，\(\forall X \subseteq U\)，\(R=\{X_{1},X_{2},...,X_{m}\}\)是论域\(U\)的一个划分，将\(R\)的上近似和下近似分别定义为：
\[
\overline{R}X=\{\overline{R}X_{1},\overline{R}X_{2},...,\overline{R}X_{m} \}
\]
\[ \underline{R}X=\{\underline{R}X_{1},\underline{R}X_{2},...,\underline{R}X_{m} \} \]
则\(R\)的近似分类精度：
\[
\alpha_{R}(X)=\frac{\sum^{m}_{i=1}|\underline{R}X_{i}|}{\sum_{i=1}^{m}|\overline{R}X_{i} |}
\]
近似分类质量：
\[
\gamma_{R}(X) =\frac{\sum_{i=1}^{m}|\underline{R}X_{i}|}{|U|}
\]
特别地，若等价关系\(R\)是被决策属性集\(D\)划分的，\(U/D=\{X_{1},X_{2},...,X_{m} \}\)，\(\forall X \subseteq U\)，则\(D\)的近似分类精度为：
\[
\alpha_{R}(D)=\frac{POS_{R}(D)} {\sum_{i=1}^{m}|\overline{R}X_{i} |}
\]
近似分类质量：
\[
\gamma_{R}(D) =\frac{POS_{R}(D)}{|U|}
\]
对于这种情况，我们先看一个例子，若
\[
U/D=\{X_1,X_2 \}=\{\{e_{1},e_{4},e_{5},e_{8}\},\{e_2,e_3,e_6,e_7 \} \}
\]
考虑论域\(U\)对条件属性集\(C\)划分的等价关系\(R\)
\[
U/C=\{\{e_1\},\{e_2\},\{e_3\},\{e_4\},\{e_5,e_7\},\{e_6,e_8\} \}
\]
下近似：
\[
\underline{R}X_1=\{e_1,e_4\}
\]
\[ \underline{R}X_2=\{e_2,e_3 \} \]
近似分类质量：
\[
\gamma_{R}(D)=\frac{|\underline{R}X_1|+|\underline{R}X_2|}{|U|}=\frac{4}{8}=\frac{1}{2}
\]
再来看之前的一个例子：
\(S=(U,A=C \bigcup D,V,f)\)是一个决策信息系统，考虑条件属性\(C\)对论域\(U\)划分的等价关系\(R\)，\(U/C=\{\{e_{3},e_{6} \},\{e_{2},e_{5} \},\{e_{1},e_{4} \} \}\)，集合\(X=\{e_{1},e_{2},e_{4}\}\)，显然\(X\)是一个粗糙集，则：
\[
\underline{R}X=\{e_{1},e_{4}\} \quad \overline{R}X=\{e_{1},e_{2},e_{4},e_{5}\}
\]
近似分类精度：
\[
\alpha_{R}(X)=\frac{|\underline{R}X|}{|\overline{R}X|}=\frac{2}{4}=\frac{1}{2}
\]
粗糙度：
\[
\rho_{R}(X)=1-\alpha_{R}(X)=1-\frac{1}{2}=\frac{1}{2}
\]
近似分类质量：
\[
\gamma_{R}(X) = \frac{|\underline{R}X|}{|U|} = \frac{2}{6} =
\frac{1}{3}
\]
基于知识粒度的属性约简算法
在介绍完经典粗糙集模型一些基本的相关概念后，我们将给出粗糙集里面的一个经典算法，基于知识粒度非动态属性约简算法。
算法：基于知识粒度的经典启发式属性约简算法
输入：决策信息系统\(S=(U,A=C \bigcup D,V,f)\)
输出：论域\(U\)上的约简集\(RED_{U}\)
\(begin\)
\(\quad RED_{U} \leftarrow \varnothing\)
\(\quad for \quad 1\leq j \leq |C| \quad do\)
\(\quad \quad Calculate \quad Sig_{U}^{inner}(a_{j},C,D);\)
\(\quad \quad \quad if \quad Sig_{U}^{inner}(a_{j},C,D)>0 \quad then\)
\(\quad \quad \quad \quad RED_{U} \leftarrow (RED_{U} \bigcup {a_{j}});\)
\(\quad \quad \quad end\)
\(\quad \quad end\)
\(\quad Let \quad B \leftarrow RED_{U};\)
\(\quad while \quad GP_{U}(D \mid B) \neq GP_{U}(D \mid C) \quad do\)
\(\quad \quad for \quad each \quad a_{i}\in (C-B) \quad do\)
\(\quad \quad \quad Calculate \quad Sig_{U}^{outer}(a_{i},B,D);\)
\(\quad \quad \quad a_{0}=max\{Sig_{U}^{outer}(a_{i},B,D),a_{i} \in (C-B)\};\)
\(\quad \quad \quad B\leftarrow (B \bigcup \{a_{0} \});\)
\(\quad \quad end\)
\(\quad end\)
\(\quad for \quad each \quad a_{i} \in B \quad do\)
\(\quad \quad if \quad GP_{U}(D \mid (B-\{a_{i} \}))=GP_{U}(D \mid C) \quad then\)
\(\quad \quad \quad B \leftarrow (B-\{a_{i}\});\)
\(\quad \quad end\)
\(\quad end\)
\(\quad RED_{U} \leftarrow B;\)
\(\quad return \quad reduction \quad RED_{U}\)
\(end\)
这就是基于知识粒度非动态属性约简算法的流程了，算法的流程虽然较多，但关键点在于等价类的划分，这点解决后，它的实现就不难了。
那么粗糙集有关的内容就暂告一段落了，系列博客介绍的也只是冰山一角，这里面还有很多很多的学问呢，有兴趣的可以查阅更多资料和文献。
本文参考了：
- 景运革. 基于知识粒度的动态属性约简算法研究[D].西南交通大学,2017.
标签：overline,frac,近似,约简,粗糙集,聊一聊,quad,underline 来源： https://www.cnblogs.com/Gedanke/p/12359412.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。