Granular Computing in Decision Approximation: An Application of Rough Mereology

این کتاب مطالعه ای در کشف دانش در داده ها با دانشی که به عنوان مجموعه ای از روابط بین اشیاء و ویژگی های آنها درک می شود ارائه می دهد. روابط در این مورد، قواعد تصمیم گیری ضمنی هستند و الگویی که در آن القا می شوند، محاسبات با گرانول هایی است که با گنجاندن خشن تعریف شده اند، که دومی در درون شناسی خشن، نسخه فازی شده صرف شناسی معرفی و مطالعه شده است. در این کتاب، کلاس‌های اولیه گنجاندن خشن تعریف شده و بر اساس آنها روش‌های القای ساختارهای دانه‌ای از داده‌ها برجسته می‌شود. ساختارهای دانه‌ای به دست آمده تحت الگوریتم‌های طبقه‌بندی، به ویژه k-نزدیک‌ترین همسایه‌ها و طبقه‌بندی‌کننده‌های بیزی قرار می‌گیرند.

نتایج تجربی با جزئیات به صورت جدولی و تصویری برای چهارده مجموعه داده از مخزن داده UCI ارائه شده‌اند. ویژگی بارز طبقه‌بندی‌کننده‌های دانه‌ای به‌دست‌آمده با این رویکرد این است که با حفظ دقت آنها در داده‌های اصلی، اندازه مجموعه داده‌های دانه‌بندی‌شده و همچنین مجموعه قوانین تصمیم‌گیری دانه‌ای را به‌طور قابل‌توجهی کاهش می‌دهند. این ویژگی رویکرد ارائه شده را در مواردی جذاب می کند که تعداد کمی از قوانین ارائه کننده دقت طبقه بندی بالا مطلوب باشد. از آنجایی که الگوریتم‌های اساسی مورد استفاده در سراسر متن با مثال‌های دستی توضیح داده شده و نشان داده می‌شوند، این کتاب ممکن است به عنوان یک کتاب درسی نیز باشد.

This book presents a study in knowledge discovery in data with knowledge understood as a set of relations among objects and their properties. Relations in this case are implicative decision rules and the paradigm in which they are induced is that of computing with granules defined by rough inclusions, the latter introduced and studied within rough mereology, the fuzzified version of mereology. In this book basic classes of rough inclusions are defined and based on them methods for inducing granular structures from data are highlighted. The resulting granular structures are subjected to classifying algorithms, notably k—nearest neighbors and bayesian classifiers.

Experimental results are given in detail both in tabular and visualized form for fourteen data sets from UCI data repository. A striking feature of granular classifiers obtained by this approach is that preserving the accuracy of them on original data, they reduce substantially the size of the granulated data set as well as the set of granular decision rules. This feature makes the presented approach attractive in cases where a small number of rules providing a high classification accuracy is desirable. As basic algorithms used throughout the text are explained and illustrated with hand examples, the book may also serve as a textbook.