使用Matlab计算粗糙集的下近似属性依赖度和条件熵

基于粗糙集的条件信息熵权重方法

该方法利用粗糙集理论处理不确定信息，通过计算条件信息熵来量化属性重要性，进而确定权重。

算法与数据结构 2 2024-05-27

粗糙集属性约简调研

本调研分析了粗糙集理论中属性约简的方法，为大学生理解这一概念提供了指南。

数据挖掘 2 2024-04-30

基于扩展粗糙集的近似概念格规则挖掘

粗糙集与概念格作为知识发现和数据挖掘的有效工具，已在诸多领域展现出应用价值。本研究在对二者理论基础进行深入研究的基础上，提出了一种利用扩展粗糙集模型改进概念格近似性的方法。 该方法通过引入 β-多数蕴涵关系，实现了概念格外延的近似合并，并构建了近似概念格 (ACL)。在此基础上，进一步提出了概念格粗糙近似和规则挖掘算法 (LCRA)。UCI 机器学习数据库测试结果验证了该算法的可行性和有效性。

数据挖掘 4 2024-05-23

基于迭代局部搜索和粗糙集的新属性约简算法探讨

介绍了两种基于迭代局部搜索和粗糙集理论的新型属性约简算法。这两种算法均以相对约简的贪婪策略作为起点，并采用不同的属性选择方式。第一种算法采用随机选择策略，而第二种算法则通过复杂的选择程序进行优化。另外，第一种算法设定了固定的迭代次数，而第二种算法则在达到局部最优解时停止迭代。通过对来自UCI的八个著名数据集进行的实验验证，展示了这些算法在属性约简中的显著优势。

Matlab 2 2024-07-21

粗糙集理论软件Rosetta的属性约简方法及其应用

粗糙集理论是数据挖掘和知识发现领域的重要方法，主要应用于处理不完整或不确定的数据。深入探讨了粗糙集软件Rosetta在属性约简中的应用。Rosetta专为实现粗糙集理论算法而设计，提供了有效的数据分析和知识提取方法。其中，属性约简是其核心功能之一，通过贪婪算法和遗传算法等多种优化策略，帮助用户减少特征维度，提高模型解释性和效率。

算法与数据结构 2 2024-07-29

基于粗糙集和粒计算的决策规则抽取与优化

规则挖掘是数据挖掘的重要研究内容，也是决策支持系统、人工智能和推荐系统等领域的研究热点。在属性约简和最小规则集合抽取方面，抽取效率对其应用性至关重要。本方法结合粗糙集模型和粒计算理论，利用粒化函数实现决策表的粒化，生成初始概念粒集，并通过概念粒的分辨算子进行属性约简，从而实现可视化的决策规则提取。实验结果表明，该方法不仅易于计算机编程实现，而且比现有方法更高效实用。

数据挖掘 2 2024-07-18

Matlab最大熵方法下的偏度和峰度计算代码

件夹包含Matlab代码，用于使用最大熵原理拟合分布。通过均值、方差、偏度和峰度作为约束条件，查找拉格朗日乘子以获得最大熵分布。

Matlab 0 2024-09-14

基于Spark的系统信息熵和条件熵计算

利用Spark计算CMIM、MRMR、MIFS等方法的开源库已经相当成熟。作者在仿照Spark MLlib库的特征选择功能基础上，扩展了支持系统信息熵和条件熵计算的方法。需要具体结果时，可直接调用ml.feature中相应的方法。

spark 2 2024-08-03

数据挖掘中计算条件属性熵的步骤和决策树算法

在数据挖掘中，计算条件属性熵的步骤包括以下几个阶段：年龄、收入、学生、信誉。每个属性都会计算其信息增益，以决策树算法为基础进行分类和预测。具体来说，我们分析了不同条件属性的熵，以便于更好地理解和应用决策树算法。

数据挖掘 0 2024-09-14