Cost-sensitive rough set: A multi-granulation approach

هزینه یک مسئله مهم در داده کاوی دنیای واقعی است. هزینه های تست و هزینه تصمیم گیری در جامعه مجموعه ای خشن دو هزینه عمومی است که توسط بسیاری از محققان مورد توجه قرار گرفته است. در سال های اخیر، این دو هزینه به طور گسترده ای از نظر کاهش ویژگی ها مورد بحث بوده است. با این حال، تعداد کمی از آثار به ساخت مدل ارزان قیمت حساس توجه دارند. علاوه بر این، مشخص می شود که رویکرد گرانشی چندگانه در برخورد با اطلاعات مشکوک، مانند داده های ناهمگن و داده های چندسطحی نقش مهمی ایفا می کند. این تحقیق با طراحی استراتژی چند گرانشی، طراحی جدیدی از مجموعه ای از هزینه های مبتنی بر مدل های خشن را شرح می دهد. اولا تقریب های پایین و بالای گرانولاسیون حساس به هزینه ساخته شده اند و می توان تایید کرد که در چارچوب چند دانه بندی، گرانول اطلاعات و تقریب ها به ترتیب به هزینه های تصمیم گیری و هزینه های آزمون حساس هستند. دوم، در طول تعاریف تقریبی، تفسیر معنایی مدل پیشنهادی مورد مطالعه قرار گرفته است. با توجه به این تفسیر، تنظیم هزینه های تصمیم گیری و هزینه آزمون بر اساس اطلاعات آنتروپی ارائه می شود. برای کاهش اطلاعات، ما آن را به یک مشکل بهینه سازی تبدیل می کنیم و دو معیار کاهش معیار را بررسی می کنیم. تجزیه و تحلیل تئوری و نتایج تجربی نشان می دهد که: الف) مدل ثابت، تعمیم بسیاری از مدل های موجود و کاملا نزدیک به برنامه های واقعی است. (ب) تنظیم هزینه انتروپی بر اساس مدل ما بسیار مناسب است، زیرا می تواند کیفیت طبقه بندی یا کاهش هزینه تصمیم گیری را افزایش دهد؛ (ج) با توجه به رویکردهای کاهش متفاوت، کاهش یکنواختی تصمیم گیری می تواند تعدادی از قوانین اطمینان را افزایش دهد و تعدادی از قوانین عدم قطعیت را کاهش دهد در حالی که کاهش هزینه ها می تواند حداقل هزینه های کل را به دست آورد. این مطالعه همچنین یک فلسفه مهم در زندگی ما را نشان می دهد، به عنوان مثال، بیشتر که پرداخت می کنید، بیشتر به دست می آورید.