Rough Set–Based Classification Systems

این کتاب یک مفهوم اصلی را برای اجرای نظریه مجموعه‌های خشن در ساخت سیستم‌های تصمیم‌گیری نشان می‌دهد. به سه نوع تصمیم می پردازد، از جمله تصمیماتی که در آنها اطلاعات یا داده های ورودی کافی نیست. اگرچه تصمیم‌گیری و طبقه‌بندی در مواردی که داده‌های گمشده یا نادرست دارند، یک کار رایج است، سیستم‌های تصمیم‌گیری کلاسیک به طور طبیعی با آن سازگار نیستند. یک راه حل این است که تئوری مجموعه های ناهموار پیشنهاد شده توسط پروفسور پاولاک را اعمال کنیم.
طبقه بندی کننده های پیشنهادی در دو پیکربندی اعمال و آزمایش می شوند: حالت اول یک حالت تکراری است که در آن یک سیستم طبقه بندی منفرد درخواست تکمیل داده های ورودی را تا زمان یکسانی می دهد. تصمیم (طبقه بندی) به دست می آید. این به ما اجازه می‌دهد تا فرآیندهای طبقه‌بندی را با استفاده از داده‌های ورودی بسیار محدود و تکمیل آن‌ها فقط در صورت نیاز آغاز کنیم، که هزینه‌های به دست آوردن داده‌ها را محدود می‌کند. پیکربندی دوم یک حالت مجموعه ای است که در آن چندین سیستم طبقه بندی مبتنی بر مجموعه خشن به طور جمعی به تصمیم صریح دست می یابند، حتی اگر سیستم ها به طور جداگانه نمی توانند چنین نتایجی را ارائه دهند.

This book demonstrates an original concept for implementing the rough set theory in the construction of decision-making systems. It addresses three types of decisions, including those in which the information or input data is insufficient. Though decision-making and classification in cases with missing or inaccurate data is a common task, classical decision-making systems are not naturally adapted to it. One solution is to apply the rough set theory proposed by Prof. Pawlak.
The proposed classifiers are applied and tested in two configurations: The first is an iterative mode in which a single classification system requests completion of the input data until an unequivocal decision (classification) is obtained. It allows us to start classification processes using very limited input data and supplementing it only as needed, which limits the cost of obtaining data. The second configuration is an ensemble mode in which several rough set-based classification systems achieve the unequivocal decision collectively, even though the systems cannot separately deliver such results.