改进粗糙集属性约简算法：连续决策表的高效处理

本文主要探讨的是"一种粗糙集属性约简的改进算法"，由作者贾利娟、冯璇和孙昕在《中国矿业大学（北京）机电与信息工程学院》共同研究。粗糙集理论是华沙理工大学 Pawlak 教授于1982年提出的处理模糊性和不确定性的重要工具，其核心内容之一就是属性约简，旨在在保持分类性能的同时简化问题的决策规则。 原始的属性约简算法通常基于Skowron提出的区分矩阵，这种方法依赖于将非空元素的合取范式转化为极小析取范式。然而，这种方法在处理冲突决策表时存在局限，尤其是当涉及到连续型属性值时，可能会导致错误的结果，并且主要适用于离散对象。为了解决这个问题，本文提出了一种改进的属性约简算法，它不再局限于区分矩阵的限制，而是引入了属性的重要度概念，可以直接根据属性的重要性来约简，无需对连续属性进行离散化处理。这种算法特别适合处理包含连续型属性值的冲突决策表，能够提高分类的准确度。 在粗糙集的基本概念中，研究者定义了一个信息系统为四元组S=(U,A,V,f)，其中U是论域，A是属性集合，V是属性值域，而f是映射。在决策系统S中，C和D分别代表条件属性和决策属性，不可分辨关系IND(R)描述了通过R可以确定的两个对象之间的关系。改进的约简算法正是在这个基础上，寻求更高效、精确地处理和挖掘数据中的知识和规律。 本文的关键字包括属性约简、粗糙集、区分矩阵以及决策表，表明研究者在探索如何优化粗糙集理论在实际应用中的表现，特别是在处理复杂决策问题时的效率和准确性提升。通过实例计算的证明，展示了这种改进算法的实际效果，为粗糙集理论的研究和实践提供了新的视角和方法。