An incremental attribute reduction method for dynamic data mining

به عنوان یک مرحله پیش پردازش مهم برای داده کاوی، کاهش ویژگی به موضوع تحقیق داغ در نظریه مجموعه خشن تبدیل شده است. در عمل، بسیاری از داده های واقعی ممکن است به صورت پویا با زمان متغیر باشند، بنابراین، کاهش در شرایط تناوبی از اشیاء و ویژگی ها در سیستم های تصمیم گیری به صورت پویا تغییر خواهد کرد. روش های کاهش ویژگی کلاسی باید از ابتدا مجددا تجدید کنند، که برای مقابله با سیستم های تصمیم گیری پویا ناکارآمد هستند. چگونگی پیاده سازی به روزرسانی با استفاده از نتایج قبلی کاهش می یابد برای بهبود کارایی روش های کاهش ویژگی ها حیاتی است. در مقاله اول ابتدا مکانیسم های افزایشی محاسبات را کاهش می دهیم وقتی که اشیاء و ویژگی های سیستم تصمیم گیری به صورت پویا تغییر می کنند. سپس، روش های افزایشی برای به روز رسانی کاهش می یابد زمانی که ویژگی ها و اشیا افزایش می یابد به طور همزمان. در نهایت، یک سری از آزمایشات برای اعتبار سنجی روش های پیشنهادی افزایشی پیشنهاد شده انجام می شود. نتایج تجربی نشان می دهد که آنها با تغییر ویژگی ها و اشیا در سیستم های تصمیم گیری موثر هستند.