ZYN的博客

文章目录一 、集合论的基本概念1、几个简单的名词解释1.1全集1.2补集和幂集1.3集合的基数1.4集合之间的关系1.5空集是惟一的二、集合代数运算1、并2、交3、差4、定律三、集合关系1、笛卡尔积2、关系、逆关系、合成关系3、关系矩阵4、关系图5、二元关系6、等价关系和等价类7、覆盖和划分8、细分9、积、和一 、集合论的基本概念简单举例：1.通常用大写字母A,B,C…代表集合;​ 表...

人的分类能力是对事物的认识能力，是一种知识。1.知识、知识库和概念设U是给定研究对象的非空有限集合，称为一个论域。论域U的任何一个子集X⊆ U，称为论域U的一个概念或范畴。论域U的一个划分{X1, X2,…, Xn}（概念簇）称为关于U的抽象知识，简称知识。U的划分{X1, X2,…, Xn}与U上的等价关系R一一对应。即给定U的一个划分{X1, X2,…, Xn}等同于给定U上的一个等...

假设给定一个完整信息系统配备决策S={U，A，V，f}，其中A=CU{d}，C是条件属性，d是决策属性，f：U×A→V，对于任意a∈A，其中Va被称为属性a的域。在不完备信息系统S*={U，A，V*，f}，对于任意子集B⊆C，TR T定义如下：**定义1：**在不完备信息系统S*={U，A，V*，f}，∀x,y∈U, T(x,y)<=> ∀Cj∈B(cj(x)=cj(y)∨cj(x)=*∨cj(y)=*)。因此，T = {(x,y)|x∈U∧y∈U∧∀cj（cj∈B）→ (cj(x)=c

这种方法的假设是，缺少的属性值不是不确定的，而是不存在。 它们不能与任何其他对象的该属性值进行比较。仅当对象x的所有已知属性值都与y的对应属性值相同时，才认为对象x与对象y相似。因此，即使一个对象可能比另一个对象具有更完整的描述，反关系也不成立。以下定义给出了NSSR的概念：**定义4：**NSSR的概念：显然，S是传递的和自反的，但不是对称的。 根据定义4，我们可以得出两个相似集，如随后在定义5和6中给出的：**定义5：**令S*={U，A，V*，f}为不完整信息系统，并且B⊆A。与SimB（x）

文章目录1.覆盖粗糙集的概念2.对象x的最小描述3.两个对象不可区分的条件4.上下近似5.等价类6.代表性近似空间1.覆盖粗糙集的概念2.对象x的最小描述3.两个对象不可区分的条件4.上下近似举例说明5.等价类6.代表性近似空间...

Incremental updating of rough approximations in interval-valued information systems under attribute generalization文章目录Incremental updating of rough approximations in interval-valued information systems under attribute generalization1. 介绍2.粗糙集理论知识3. 属性泛化下用

文章目录A rough sets based characteristic relation approach for dynamic attribute generalization in data mining摘要1.介绍A rough sets based characteristic relation approach for dynamic attribute generalization in data mining摘要信息系统中任何属性都可能在新信息到达时随时间变化。粗集理论对概念的近似

文章目录1.优势关系粗糙集的由来原因2.优势关系下产生优势集和劣势集3.决策类及其向上联合、向下联合4.上下近似集1.优势关系粗糙集的由来原因经典粗糙集模型不能处理有序数据。为此，Greco等用优势关系代替经典粗糙集模型中的不可区分关系，提出了优势关系粗糙集方法。2.优势关系下产生优势集和劣势集3.决策类及其向上联合、向下联合4.上下近似集...

文章目录Incremental updating approximations in probabilistic rough sets under the variation of attributes1.概率粗糙集1.1 粗隶属函数1.2演变过程2.属性变化下增量更新近似的方法2.1 Pawlak粗糙集中的动态属性泛化方法Incremental updating approximations in probabilistic rough sets under the variation of attri

粗糙集代码获取方式

信息熵文章目录信息熵1.什么是信息，什么是熵？？？2.如何测量信息3.总结1.什么是信息，什么是熵？？？​ 当一件事情有多种可能情况时，这个事情对某人具体为哪种情况的不确定性叫做熵。而能够消除该个体对这件事情不确定性的事物叫做信息。比如事件：一道题目有ABCD四个题目，客观实际的正确答案为C。某个体小张对ABCD可能为正确答案的概率都是25%。假如小李告诉小张正确答案为C，这个消息能够消除小张对该题目的不确定性，该消息为信息。​ 熵和信息数量相等，意义相反，获取信息意味着消除不确定性（熵）。消

文章目录1、 数据价值密度低的解决方案1.1 粗糙集中对应的概念：属性约简1.2 属性约简的好处1.3 粗糙集的应用2、粗糙集的简介--->原理2.1 粗糙集的概念2.2 从例子看粗糙集2.3 粗糙集模型的分类及其评估标准3、粗糙集的主要研究方向3.1 模型创新3.2 属性约简3.3 提高计算效率大数据很重要，但是存在体量大、价值密度低的问题，我们该怎么解决1、 数据价值密度低的解决方案​ 在所有这些场景中，我们需要将信息缩减到可管理的大小。特征选择是一个过程，可用于选择一组精简的特征，这