Measures of uncertainty for neighborhood rough sets

معیارهای عدم قطعیت ابزار انتقادی ارزیابی در زمینه های یادگیری ماشین است که می تواند وابستگی و شباهت بین دو زیر مجموعه ویژگی را اندازه گیری کند و می تواند مورد استفاده قرار گیرد تا به اهمیت ویژگی های الگوریتم های طبقه بندی و خوشه بندی بپردازد. در مجموعه های خشن کلاسیک، ابزارهای عدم قطعیت برای اندازه گیری یک زیر مجموعه ویژگی، از جمله دقت، زبری، آنتروپی اطلاعات، آنتروپی خشن و غیره، وجود دارد. این اقدامات برای سیستم های اطلاعاتی ارزشمند استفاده می شود، اما مناسب برای مجموعه داده های ارزشمند است . در این مقاله، با معرفی مدل مجموعه خشن محله، هر شی با یک زیر مجموعه محله، نام گرانشی محله ارتباط دارد. چندین معیار عدم اطمینان گرانول های همجوار پیشنهاد شده است که دقت محله، مقدار اطلاعات، انتروپی محله و جزئیات دانه در سیستم های محله است. علاوه بر این، ما ثابت می کنیم که این معیارهای عدم قطعیت، رضایت غیر منفی، انحراف و تک تنه را برآورده می کند. حداکثر و حداقل این اقدامات نیز داده می شود. تجزیه و تحلیل تئوری و نتایج تجربی نشان می دهد که اندازه اطلاعات، آنتروپی محله و اندازه گیری دقیق اطلاعات بهتر از اندازه گیری دقیق محله در سیستم های محله است.