基于属性幂的布尔决策表欺诈识别约简新方法

本篇论文研究主要探讨了布尔决策表在欺诈识别中的应用，利用粗糙集理论作为核心工具。粗糙集理论是波兰数学家Zbigniew Pawlak在1982年提出的一种处理不确定性和不完全数据的有效方法。在欺诈识别中，决策表的知识约简至关重要，它旨在减少冗余属性和属性值，保持决策关系的准确性和效率。 传统上，决策表约简面临属性组合爆炸的挑战，使得找到最小约简困难且计算复杂。然而，作者提出了一个新颖的属性约简方法，引入了"属性幂"的概念。属性幂是基于布尔型决策表，将欺诈因子（如是否出现欺诈行为）编码为二进制形式（1表示存在，0表示不存在），这使得比较对象时只需关注属性幂，而非逐一比较每个属性值，显著提高了运算速度。 通过属性幂的计算，算法能够快速生成划分，并有效地进行决策表的简化。这种方法结合了粗糙集理论和排序思想，避免了传统的NP-难问题，实现了更高效的属性约简。论文还通过实例计算和信用数据实验来验证了这一新方法的有效性和可行性。粗糙集理论的应用范围已经扩展到机器学习、决策分析、模式识别等多个领域，尤其是在经济欺诈检测中，数据挖掘技术对于发现欺诈指示因子具有重要意义。 总结来说，这篇论文贡献了一个针对布尔决策表的创新属性约简策略，利用属性幂概念简化了欺诈识别过程中的数据处理，有望提高欺诈识别模型的构建效率和准确性，对实际应用有重要价值。