多粒度层次序贯三支决策模型研究

发布时间：2024-12-08 22:32

　　 现有的知识获取算法所挖掘出的规则太多，不易理解；规则描述太过具体，容易造成过拟合。为此，本文提出了多粒度层次序贯三支决策模型。首先引入概念层次树将目标概念泛化，构建多层次决策表，并设计了多粒度层次序贯三支决策模型，从多视角、多层次计算3个概率区域并获取相应的泛化层次决策规则。最后，通过实验证明了模型的有效性。本模型为知识获取提供了新的视角并丰富了多粒度三支决策的研究。

【文章页数】：13 页

【部分图文】：

图1 属性c1,c2概念层次树

图1概念层次树将属性泛化，从而一个对象在一个属性下具有多个值，由此可以得到多层次决策表MT={U,At={cth|t=1,2,h=1,2,3}∪D,V,I}。先验知识的差异性导致不同的属性可能泛化为不同的层级。为了简化本文研究，将层级不足的属性扩充到最高层次。若存在ct的最....

图2 决策类Di下多粒度层次序贯三支决策

图2描述了多粒度层次序贯过程，在k层级(最高层级)进行初步决策，边界域作为下一次序贯决策的论域，图中灰色部分表示第二次序贯决策确定的正区域与负域，不同颜色的线条表示不同的聚合策略。通过图2可以得知，k-1层级上的正区域为之前获得的正区域与当前序贯过程中获得的正区域的并集。当h+1....

图3 属性c1,c2,c3概念层次树

通过概念层次树将原始决策表扩展为多层次决策表。图3为3个属性的概念层次树，为了方便表述，用英文字母标注具体的语义。表5为多层次决策表，MT={U,At={cth|t=1,2,3,h=1,2,3}∪D,V,I}。该决策表的属性子集簇为A={A1,A2,A3}={{c1},{c....

图4 3个模型的概率正区域对比

图4展示了3种模型获取的概率正区域数量差异，可以发现，MHS3WD和MS3WD获取的正区域数量要多于MGDTRS,对于悲观聚合策略，由于条件过于严苛，因此MGDTRS获取的正区域数量远少于另外2个模型，说明多粒度序贯多步骤策略一定程度上避免了悲观聚合策略带来的较为极端的结果，从而....

本文编号：4015111