[发明专利]一种基于粗糙集的适用于不完备决策表的规则提取方法

说明书

技术领域

本发明属于智能决策系统中的数据挖掘技术，涉及一种规则提取方法，具体是指一种基于粗糙集的适用于不完备决策表的规则提取方法。

背景技术

现实中由于数据采集的结果往往伴随着噪声数据，这使得不确定数学工具显得尤为重要。粗糙集理论与其他处理不确定和不精确问题理论相比，无需提供问题所需处理的数据集合之外的任何先验知识。由于粗糙集处理不确定数据的优越性，目前已经在分类、聚类等多个领域得到广泛应用，其中，决策规则提取是最为重要的应用之一。

在基于粗糙集的决策规则方法中，规则提取方法LEM2凭借其更为出众的获取结果，被越来越广泛的使用。LEM2方法搜索属性-值对空间，选择覆盖率最大的属性-值对，也就是说LEM2方法从属性-值对的观点提取规则，但在一些情况下，从属性的观点提取规则更合理。规则提取方法DRICA(JianHua Dai,Haowei Tian,Wentao Wang,Liang Liu.Decision rule mining using classification consistency rate[J].Knowledge-Based Systems,2013,43(2):95–102.)从属性的观点提取规则，而且不需要提前进行属性约简，属性约简和规则提取同时进行。

现实中的数据往往存在着缺失值，粗糙集中含有缺失值的决策表称作不完备决策表。但规则提取方法DRICA未考虑对不完备决策表的处理，不能直接处理不完备决策表。基于上面的背景，需要提出一种适用于不完备决策表的规则提取方法。

发明内容

本发明要解决的技术问题是提供一种基于粗糙集的适用于不完备决策表的规则提取方法，该方法具有DRICA方法的优点，而且适用于不完备决策表，即可以直接从含有缺失值的数据中提取规则；本发明涉及粗糙集理论、相容关系、相似关系等相关知识。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于粗糙集的适用于不完备决策表的规则提取方法，其特征在于，包括如下步骤：

步骤一，通过不完备决策表数据给出一个决策类的上(下)近似集B；一个用户感兴趣的属性集A；全部条件属性C；

步骤二，令已选择的属性集SA的初始值为A,未选择的属性集UA的初始值为C-A，规则集RULES的初始值空集，近似集B中未被规则集R覆盖的对象G的初始值为B；

步骤三，判断步骤二中对象G是否为空集，如果为空，进入步骤八，否则进行下一步。

步骤四，将步骤二中未选择的属性集UA中每个属性按照max|SA∪a_RB∩G|的条件获得选择属性a；令已选择的属性集SA＝SA∪a，未选择的属性集UA＝UA–a，其中，SA∪a_RB，表示B的属性集SA∪a的基于关系R的下近似；

步骤五，计算B的已选择的属性集SA基于关系R的下近似P，即P＝SA_RB；计算P∩G，令GC＝P∩G；用已选择的属性集SA从GC(即P与G的交集)中提取规则，得到规则集rules；

步骤六，对步骤五中的提取的规则集rules中的每条规则r进行简化，并将简化后的规则rules添加到规则集RULES中，即RULES＝RULES∪rules，同时令G＝G–{规则集RULES覆盖的对象}。

步骤七，判断近似集B的已选择属性SA的下近似SA_RB和近似集B的全部条件属性C的下近似C_RB是否相等；如果满足条件，则执行下一步；否则，返回步骤三；

步骤八，对规则集RULES进行整体简化并输出：删除某条规则r后，规则集RULES仍可以覆盖近似集B，即判断使得规则s成立的所有对象构成的集合是否包含近似集B，若满足，则RULES＝RULES–r；输出规则集RULES。

所述步骤一中不完备决策表数据，即给定一个决策表DT＝(U，C∪D，V，f),如果存在x∈U，a∈C,f_a(x)是一个缺失值,则该决策表被称做不完备决策表；假设f_d(x)为非缺失值；一个不完备决策表可表示为IDT＝(U，C∪D，V，f)，*∈V_C＝∪_a∈C V_a,