不确定性度量是机器学习领域中的关键评估工具，它可以度量两个特征子集之间的依赖性和相似性，并可以用来判断特征在分类和聚类算法中的重要性。 在经典的粗糙集中，存在一些不确定性工具来测量特征子集，包括准确性，粗糙度，信息熵，粗糙熵等。这些度量适用于离散值信息系统，但不适用于实值数据集。 在本文中，通过介绍邻域粗糙集模型，每个对象都与一个邻域子集（称为邻域颗粒）相关联。 提出了几种邻域颗粒的不确定性度量，即邻域系统中的邻域精度，信息量，邻域熵和信息粒度。 此外，我们证明了这些不确定性度量满足非负性，不变

基于信息获取的直觉性知识内容性质，在粗糙集理论中引入了组合熵和组合粒化的概念。 定义了条件组合熵和互信息，并推导了它们的几个有用属性。 此外，建立了组合熵和组合颗粒化之间的关系，可以表示为CE（R）+ CG（R）=1。上述概念的所有属性都是不完整信息中这些概念的特殊情况。系统。 这些结果具有广泛的应用，例如在粗糙集理论的启发式归约算法中，测量知识内容，测量属性的重要性，构造决策树和构建启发式函数。

信息粒度化和熵论是研究信息系统不确定性的两种主要方法，已广泛应用于许多实际问题中。 本文研究了信息系统中各种二元关系下信息颗粒的表征和表示，提出了信息颗粒化的公理定义，并将现有的一些信息颗粒化定义变成其特殊形式。 信息系统的熵理论得到进一步发展，并证明了它们各自的颗粒单调性。 此外，建立了信息粒度与熵之间的互补关系。 该调查统一了完整信息系统和不完整信息系统中不确定性的度量结果。

不确定性度量是机器学习领域中的关键评估工具，它可以度量两个特征子集之间的依赖性和相似性，并可以用来判断特征在分类和聚类算法中的重要性。 在经典的粗糙集中，存在一些不确定性工具来测量特征子集，包括准确性，粗糙度，信息熵，粗糙熵等。这些度量适用于离散值信息系统，但不适用于实值数据集。 在本文中，通过介绍邻域粗糙集模型，每个对象都与一个邻域子集（称为邻域颗粒）相关联。 提出了几种邻域颗粒的不确定性度量，即邻域系统中的邻域精度，信息量，邻域熵和信息粒度。 此外，我们证明了这些不确定性度量满足非负性，不变