基于决策粗糙集模型的局部属性约简

决策粗糙集理论是姚一豫教授基于传统粗糙集提出的代价敏感的粗糙集模型,之后衍生了许多基于DTRS的属性约简,如保持正域不变的约简、保持正域和负域同时不变的约简、获取代价最小的约简等。然后这些约简是对所有决策类上约束来进行属性约简。这样不仅浪费了时间、资源,也有可能导致结果的偏差。基于降低资源浪费、提高确定性规则两个方面,我们分析得出DTRS模型在局部下相比于一定性优势,之后结合启发式算法对5组UCI数据集进行局部和全局属性约简性能的对比加以验证,发现在两组试验下有较大提升(例如在Blood数据集上,局部约简分别有降低了12.5%冗余规则和提高了8.3%的确定性规则),这提高了我们处理问题