目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘？为什么它是重要的？.............................................................

粒度描述已成为粒度计算（GrC）的热门研究主题之一。 粗糙集理论（RST）作为一种重要的粒度计算研究技术，可以通过上下近似来描述任何目标粒度（话语范围的任何子集）。 但是，没有措施来评估RST中颗粒描述的质量。 此外，通过将多尺度信息表分解为不同的单尺度信息表，可以获得不同的颗粒描述。 然后，重要的是找到最合适的单标度信息表，以满足特定的颗粒描述精度要求。 受到以上问题的启发，本文基于颗粒描述的准确性，探讨了最佳颗粒水平的选择方法。 首先，结合GrC和RST定义了新的颗粒描述精度。 之后，在多尺

用粗糙集近似描述了三类常见信息系统(即Pawlak信息系统、不完备信息系统、不完备模糊信息系统)中对象的基本信息粒度。通过信息系统中对象属性值关于对象属性近似空间的上近似可以得到与对象具有相同或相似信息的对象集,即利用对象属性值关于对象属性近似空间的上近似将对象属性值信息变换成为对象的基本信息粒度。所得结论对信息系统中基本信息粒度的物理意义有了比较清楚和更加合理的解释。

粗糙集的近似集用已有知识粒对不确定性目标概念进行近似描述,但在构建近似集时并没有考虑数据的代价信息这一实际因素.对此,首先分析在构建粗糙集的近似集时考虑代价信息的必要性;然后,从代价敏感角度构建误分类代价的粗糙集近似集模型,并分析该模型下求得的近似集的相关性质.为了在多粒度空间中寻找一个合适的粒度空间来对不确定性目标概念进行近似描述,使误分类代价与测试代价之和尽可能小,给出属性代价贡献率的定义,并提出一种代价敏感的粒度寻优算法.实验结果表明,所提出算法能适用于现有代价认知场景,并在给定代价场景下