基于模糊粗糙集条件熵属性约简的数据分析方法

摘要

发明公开了基于模糊粗糙集条件熵属性约简的数据分析方法，属于数据分析领域，包括以下步骤，将数据的属性构造为一个模糊粗糙集，同时确定数据的模糊决策表本发明的有益效果如下：基于模糊粗糙集的条件熵，并对传统的信息熵和条件熵进行了重新定义，根据要求获得条件熵最小时的属性，从而得到一个新的属性约简方法，应用到人体健康数据的属性约简分类中，而根据约简之后的健康数据属性，可以快速而准确地完成健康数据的分析，由于该种方法约简的结果，能较好的保留原来连续属性值之间的差异性及过渡性，从而保留了原来属性的特征，根据这些约简后的数据就可以较快地判定人体的健康情况。

主权项

1.一种基于模糊粗糙集条件熵属性约简的数据分析方法，其特征在于：包括以下步骤：S1：将数据的属性构造为一个模糊粗糙集，同时确定数据的模糊决策表其中U是论域，A是由对象的基本属性构成的集合，C为条件属性，D为决策属性，V代表信息函数f的值域；S2：取一个集合T，并规定它为空集，令这个集合T的最优依赖函数H_best为0，A的个数i=1；S3：在每一次判断时，都使得集合T为前一次执行时符合条件的集合T，并使得期望的依赖函数H_pre为最优依赖函数值H_best；S4：对于每一个其中R是等价关系的集合，计算获得决策属性D和属性的条件熵并判断它与条件熵H(D|T)的大小关系；如果前者小于后者，那么就令集合T为新的集合如果前者大于后者，那么就需要寻找新的更加符合条件的属性集合；S5：当判断是否为新的数据属性集合时，要判断i个子集A是否已经全部覆盖了集合C-R，如果还没有覆盖完全，即i<基数|C-R|，则让i=i+1，同时重复S4；如果此时i为C-R的基数|C-R|，则进行S6；S6:当i为C-R的基数|C-R|后，令最优依赖函数H_best为条件熵H(D|T)；S7：比较期望的依赖函数H_pre与最优依赖函数H_best的差值是否在规定的误差阈值η范围之内，如果在规定的范围之内则输出约简结果；如果不在规定的范围之内则返回S3重新进行约简。