粗糙集理論
粗糙集理論（rough set theory）是乙個種處理資料分類的資料探勘方法。當資料屬於定性資料或不確定性資料，無法使用一般的統計方法時，粗糙集理論可以在資訊不完整和資訊不一致下，用來規約資料集合，發掘隱藏的資料陽性和資料相關性，以產生有用的分類規則。
粗糙集理論現在主要應用在①臨床醫療診斷；②電力系統和其他工業過程故障診斷；③**與控制；④模式識別與分類；⑤機器學習和資料探勘； ⑥影象處理等方面。
粗糙集理論產生的分類規則：
可以從訓練資料集中，應用粗糙集理論與支援度門檻產生候選規則，並利用測試資料集計算候選規則的置信度和增益，以驗證提取之候選規則作為最終的分類規則。
在建立候選規則之前，以隨機的方式將決策表分成兩組：a%的資料視為訓練資料組；1-a%的資料視為測試資料組。產生分類規則的步驟如下：
定義候選規則所需之支援度門檻值θ。
建立決策表與資料集。
若遇到屬性為連續型屬性，則需要經過離散化，將連續型資料分為區間，否則直接進入步驟（4）
取得訓練組資料集的簡化（reducts）
根據領域專業知識判定於步驟（4）所產生的reducts是否合適。
根據篩選後所剩下的reducts組而找到規則
輸入所有訓練資料集，並計算所有產生規則的支援度。若該規則支援度大於門檻值θ，則應將該規則放入候選集合中；若該規則的支援度小於門檻值θ，則移除該規則。
直到所有規則均完成支援度門檻值的校驗後，即可停止產生規則，並與領域專家討論，提出不符合實務的候選規則。
接著使用測驗資料組驗證中訓練資料所取得的候選規則，並以置信度與增益作為應選候選規則的門檻值。步驟如下：
設定置信度與增益門檻值，分別為θ1和θ2.
輸入所有測試資料集，以計算各候選規則的置信度與增益。
若置信度大於門檻值θ1，且增益大於門檻值，則此候選規則將通過測試，並作為最終分類規則；若改規則的置信度小於門檻值θ2，則移除該候選規則。
直到所有候選規則均完成置信度與增益的檢驗後，即完成產生分類規則的步驟，再與領域專家確認規則意義。
粗糙集理論介紹
粗糙集理論介紹 面對日益增長的資料庫，人們將如何從這些浩瀚的資料中找出有用的知識？我們如何將所學到的知識去粗取精？什麼是對事物的粗線條描述什麼是細線條描述？a r1 顏色分類 a r2 形狀分類 a r3 大小分類 上面這些所有的分類合在一起就形成了乙個基本的知識庫。那麼這個基本知識庫能表示什麼概念...
粗糙集基本理論
此方法基於粗糙集理論，對於粗糙集方面的知識，請參考這篇部落格 該部落格已經很好講了粗糙集的基本知識，我這裡就不重複了，請你反覆確認是否已經明白了下近似和上近似的概念。說白了，乙個屬性上的等價類集合 即劃分 就是關於這個屬性的知識，而其中的乙個等價類就是乙個概念，可以結合上面部落格中關於顏色知識的例子...
粗糙集理論介紹 概念入門
面對日益增長的資料庫，人們將如何從這些浩瀚的資料中找出有用的知識？我們如何將所學到的知識去粗取精？什麼是對事物的粗線條描述什麼是細線條描述？8個積木構成了乙個集合 a，我們記 a 每個積木塊都有顏色屬性，按照顏色的不同，我們能夠把這堆積木分成 r1 三個大類，那麼所有紅顏色的積木構成集合 x1 黃顏...