Inhibitory Rules in Data Analysis: A Rough Set Approach

این تک نگاری به مطالعه نظری و تجربی قواعد تصمیم گیری بازدارنده و تداعی اختصاص دارد. قوانین بازدارنده در سمت راست دارای رابطه ای از نوع \"ویژگی مقدار برابر نیست\" است. استفاده از قواعد بازدارنده به جای قوانین قطعی (استاندارد) به ما این امکان را می دهد که اطلاعات رمزگذاری شده در سیستم های تصمیم گیری یا اطلاعاتی را به طور کامل تر توصیف کنیم و طبقه بندی کننده هایی با کیفیت بالا طراحی کنیم.

مهم ترین ویژگی این تک نگاری این است که شامل یک تحلیل ریاضی پیشرفته از مسائل مربوط به قوانین بازدارنده است. ما الگوریتم‌هایی را برای ساخت قوانین بازدارنده، محدودیت‌های حداقل پیچیدگی قوانین بازدارنده، و الگوریتم‌هایی برای ساخت مجموعه‌ای از قوانین بازدارندگی حداقلی در نظر می‌گیریم. همچنین نتایج آزمایش‌ها را با طبقه‌بندی‌کننده‌های استاندارد و تنبل بر اساس قوانین بازدارنده مورد بحث قرار می‌دهیم. این نتایج نشان می‌دهد که قوانین بازدارندگی و تصمیم‌گیری را می‌توان در داده‌کاوی و کشف دانش هم برای نمایش دانش و هم برای پیش‌بینی استفاده کرد. قوانین بازدارنده را می توان تحت تجزیه و تحلیل و طراحی سیستم های همزمان نیز مورد استفاده قرار داد.

نتایج به دست آمده در مونوگراف می تواند برای محققان در زمینه هایی مانند یادگیری ماشین، داده کاوی و کشف دانش مفید باشد، به ویژه برای کسانی که در تئوری مجموعه های خشن، تئوری آزمون و تحلیل منطقی داده ها (LAD) کار می کنند. این مونوگراف را می توان تحت ایجاد دوره هایی برای دانشجویان تحصیلات تکمیلی و دکترا استفاده کرد. مطالعات.

This monograph is devoted to theoretical and experimental study of inhibitory decision and association rules. Inhibitory rules contain on the right-hand side a relation of the kind "attribut does not equal value". The use of inhibitory rules instead of deterministic (standard) ones allows us to describe more completely information encoded in decision or information systems and to design classifiers of high quality.

The most important feature of this monograph is that it includes an advanced mathematical analysis of problems on inhibitory rules. We consider algorithms for construction of inhibitory rules, bounds on minimal complexity of inhibitory rules, and algorithms for construction of the set of all minimal inhibitory rules.We also discuss results of experiments with standard and lazy classifiers based on inhibitory rules. These results show that inhibitory decision and association rules can be used in data mining and knowledge discovery both for knowledge representation and for prediction. Inhibitory rules can be also used under the analysis and design of concurrent systems.

The results obtained in the monograph can be useful for researchers in such areas as machine learning, data mining and knowledge discovery, especially for those who are working in rough set theory, test theory, and logical analysis of data (LAD). The monograph can be used under the creation of courses for graduate students and for Ph.D. studies.