基于粗糙集理论的知识获取当样本数量较大时，其计算量很大，并且有时难以收集全各种情况下的样本数据。因此，该方法还需要结合其他方法一起应用，如基于统计推理、基于模糊集合理论、基于最大信息增益机制的知识获取等。基于粗集理论的知识获取实例，设一个简单输人系统如表4-1所示。
表4-1样本数据
|
输人1 |
0.41 |
0丨65 |
12 |
0’ 54 |
0 43 |
77 |
0‘ 85 |
|
输人2 |
0 05 |
0丨17 |
0’ 22 |
0.64 |
0丨56 |
0，48 |
0.91 |
|
輪入3 |
27 |
11 |
30 |
0.26 |
0‘ 19 |
0’ 23 |
73 |
|
输人4 |
0丨42 |
0.24 |
0.22 |
0’ 53 |
0.68 |
0 86 |
0.87 |
|
输出 |
0 40 |
0.51 |
0，09 |
0 28 |
0 72 |
0.81 |
0‘ 88 |
采用图4-14所示的隶属度函数进行离散化，大、中、小三个水平的隶属度函数分别为：7 = 1 ~
图4-14隶属度函数0，1，尸（以）：0’25。
I太-5丨5和7 1 ~尤。水平“大”和水平“中”的函数交点在1=0.67处；水平“中”和水平“小”的函数交点在 0罾33处。用0、I、2分别代表小、中、大三个水平等级，并将离散化结果转化为决策表形式。如表4-2所示，4个输人量分别对应4个条件属性，输出量对应决策属性。各条件属性的权重分别为尸（ ） 0.35，？ （（ ） 0‘30，？ （（ ）
表4-2初始决策表
|
V |
01 |
02 |
03 |
04 |
0 |
|
1 |
1 |
0 |
0 |
1 |
1 |
|
2 |
1 |
0 |
0 |
0 |
1 |
|
3 |
0 |
0 |
0 |
0 |
0 |
|
4 |
1 |
1 |
0 |
1 |
0 |
|
5 |
1 |
0 |
2 |
2 | |
|
6 |
2 |
0 |
2 |
2 | |
|
7 |
2 |
2 |
2 |
2 |
2 |
设|015 02，03 5 04丨，由初始决策表得 01 丨 11，2，4，5| |3！ |6，7！ ！；
1 /02 | |1，2，3！ |4，5，6！ |7！ ！；
(未完待续) 声明：部分资料来自合作媒体及网络，不代表本站观点。关键字:水平,函数,决策,隶属,样本
0898-66611999 / 66611996 / 66611997
400-8168-664
