19、模糊信息粒化与关联规则构建的粗糙集方法

模糊信息粒化与关联规则构建的粗糙集方法

一、多级粒度的模糊信息粒化

多级粒度计算（GrC）在解决现实世界问题中具有重要意义。它作为一种哲学和通用方法论，能在众多领域助力问题解决；作为结构化信息处理的范式，支持类人信息处理系统的发展。在问题解决的每个阶段处理不同粒度的能力，使GrC成为通过多级策略表示和解决问题的强大范式。

多级粒化过程为同一问题提供了多个粒化视图，让我们能够聚焦有用的信息结构，而无需陷入过多细节。以多级粒化策略提升对数据的理解为例，ML - DC框架可对数据进行多级粒化，在准确性和可解释性之间取得平衡。

将复杂问题划分为不同的上下文，这些上下文可对可用数据提供高层次且高度可解释的描述。通过这些上下文，我们可以局部获取更准确的模糊模型，同时仍保留可解释性约束，以实现知识的可读表示。最终的粒化结构可以提供一个既易于理解又准确的知识库。

原则上，MD - DC可以导出超过两个级别的粒化。然而，粒化级别越深，所获取知识的可理解性就越困难。通常认为两个级别足以在可解释性和准确性之间取得良好平衡，因为第一级从定性角度描述数据，而第二级提供更定量的描述。不过，根据具体应用领域，也可以考虑三个或更多级别。

二、关联规则相关内容

1. 关联规则概述
   • 关联规则是一种发现规则以表达现象之间联系强度的技术。例如，若从累积数据中得到规则“当顾客购买了商品A时，他/她也很可能购买商品B”，该规则能阐明商品A对商品B销售的贡献程度，还能在一定程度上预测顾客购买商品A后购买商品B的销量。
   • 在关联规则中，支持值表示关联规则中所有元