什么是粗糙集(五)

作者: 思想永不平凡 | 来源:发表于2020-02-22 15:43 被阅读0次

什么是粗糙集(五)
什么是粗糙集？粗糙集理论简介。
什么是粗糙集(一)
什么是粗糙集(二)
什么是粗糙集(三)
什么是粗糙集(四)
什么是粗糙集(六)
利用粗糙集进行西瓜分类（上）
粗糙集
粗糙集概念

本节我们将继续介绍粗糙集有关的概念。

上节我们介绍了知识粒度的度量，本节将介绍知识粒度的矩阵表示形式。

我们先简单介绍矩阵的相关概念。

矩阵

先看矩阵的和，差。

矩阵的和：
若 $A=(a_{ij})_{m \times n}$ ， $B=(b_{ij})_{m \times n}$ 是两个 $m \times n$ 的矩阵，则两个矩阵的和 $C=(c_{ij})_{m \times n}$ 为
$C = A+B \quad \Longrightarrow \quad c_{ij}=a_{ij}+b_{ij}$

$=\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{bmatrix} + \begin{bmatrix} b_{11} & b_{12} & \cdots & b_{1n} \\ b_{21} & b_{22} & \cdots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ b_{m1} & b_{m2} & \cdots & b_{mn} \\ \end{bmatrix}$

$=\begin{bmatrix} a_{11}+b_{11} & a_{12}+b_{12} & \cdots & a_{1n}+b_{1n} \\ a_{21}+b_{21} & a_{22}+b_{22} & \cdots & a_{2n}+b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1}+b_{m1} & a_{m2}+b_{m2} & \cdots & a_{mn}+b_{mn} \\ \end{bmatrix}$

类似的，两个矩阵的差：
$C = A-B \quad \Longrightarrow \quad c_{ij}=a_{ij}-b_{ij}$

$=\begin{bmatrix} a_{11}-b_{11} & a_{12}-b_{12} & \cdots & a_{1n}-b_{1n} \\ a_{21}-b_{21} & a_{22}-b_{22} & \cdots & a_{2n}-b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1}-b_{m1} & a_{m2}-b_{m2} & \cdots & a_{mn}-b_{mn} \\ \end{bmatrix}$
矩阵的转置：
$A= \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{bmatrix}$

则矩阵 $A$ 的转置矩阵 $A^T$ 为：
$A^T=\begin{bmatrix} a_{11} & a_{21} & \cdots & a_{n1} \\ a_{12} & a_{22} & \cdots & a_{n2} \\ \vdots & \vdots & \ddots & \vdots \\ a_{1n} & a_{2n} & \cdots & a_{nn} \\ \end{bmatrix}$
最后来看矩阵的乘积：
若 $A=(a_{ij})_{m \times n}$ ， $B=(b_{ij})_{n \times p}$ 是两个矩阵
则两个矩阵的乘积 $A \times B =C=(c_{ij})_{m \times p}$ 为：
$C = A \times B \quad \Longrightarrow \quad (c_{ij})_{m \times p}=(\sum_{k=1}^{n} a_{ik}\cdot b_{kj})_{m \times p}$

$=\begin{bmatrix} \sum_{k=1}^{n} a_{1k}b_{k1} & \sum_{k=1}^{n}a_{1k}b_{k2} & \cdots & \sum_{k=1}^{n} a_{1k}b_{kp} \\ \sum_{k=1}^{n} a_{2k}b_{k1} & \sum_{k=1}^{n}a_{2k}b_{k2} & \cdots & \sum_{k=1}^{n} a_{2k}b_{kp} \\ \vdots & \vdots & \ddots & \vdots \\ \sum_{k=1}^{n} a_{mk}b_{k1} & \sum_{k=1}^{n}a_{mk}b_{k2} & \cdots & \sum_{k=1}^{n} a_{mk}b_{kp} \\\end{bmatrix}$

知识粒度的矩阵表现形式

我们依旧使用该表

$U$	$a$	$b$	$c$	$e$	$f$	$d$
1	0	1	1	1	0	1
2	1	1	0	1	0	1
3	1	0	0	0	1	0
4	1	1	0	1	0	1
5	1	0	0	0	1	0
6	0	1	1	1	1	0
7	0	1	1	1	1	0
8	1	0	0	1	0	1
9	1	0	0	1	0	0

等价关系矩阵的定义如下：
设 $S=(U,A=C \bigcup D,V,f)$ 是一个决策信息系统，论域 $U=\{u_{1},u_{2},...,u_{n} \}$ ， $n$ 是论域内元素个数， $U/C=\{X_{1},X_{2},...,X_{m}\}$ ， $R_{C}$ 是论域 $U$ 的等价关系。则等价关系矩阵 $U_{U}^{R_{C}} = (m_{ij})_{n \times n}$ 定义如下：
$m_{ij}= \begin{cases} 1 & (u_{i},u_{j}) \in R_{C} \\ 0 & (u_{i},u_{j}) \notin R_{C} \end{cases}$

其中， ${1 \leq i,j \leq n}$ 。

基于矩阵的知识粒度如下：
设 $S=(U,A=C \bigcup D,V,f)$ 是一个决策信息系统， $U_{U}^{R_{C}} = (m_{ij})_{n \times n}$ 是等价关系矩阵，条件属性 $C$ 基于矩阵的知识粒度定义如下：
$GP_{U}(C)= \frac{sum\left(M_{U}^{R_{C}}\right)}{|U|^{2}}=\overline{M_{U}^{R_{C}}}$
其中， $sum\left(M_{U}^{R_{C}}\right)$ 是等价矩阵内 $1$ 的个数总和， $\overline{M_{U}^{R_{C}}}$ 是矩阵内所有元素的均值。

依旧上表，我们可以计算 $G P_{U}(C)$ ：
$\begin{equation} G P_{U}(C)=\overline{M_{U}^{R_{C}}}=\frac{1}{81} \times \operatorname{sum}(\left[\begin{array}{ccccccccc} {1} & {0} & {0} & {0} & {0} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} & {1} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} & {1} \end{array}\right]) \end{equation}=\frac{17}{81 }$
这和我们在上节计算得到的结果是一致的。

类似的，相对知识粒度的定义如下：
若 $S=(U,A=C \bigcup D,V,f)$ 是一个决策信息系统， $U_{U}^{R_{C}}$ ， $U_{U}^{R_{C \bigcup D}}$ 是等价关系矩阵，则决策属性 $D$ 关于条件属性 $C$ 基于矩阵的相对知识粒度定义如下：
$G P_{U}(D\mid C)=\overline{U_{U}^{R_{C}}}-\overline{U_{U}^{R_{C \bigcup D}}}$

根据上表，我们可以计算 $GP_{U}(D \mid C)$ :
$GP_{U}(D \mid C)=\overline{U_{U}^{R_{C}}}-\overline{U_{U}^{R_{C \bigcup D}}}$

$=\frac{1}{81}\times\operatorname{sum}(\left[\begin{array}{ccccccccc} {1} & {0} & {0} & {0} & {0} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} & {1} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} & {1} \end{array}\right] - \left[\begin{array}{ccccccccc} {1} & {0} & {0} & {0} & {0} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} & {0} \\ {0} & {0} & {1} & {0} & {1} & {0} & {0} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {1} & {1} & {0} & {0} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} & {0} \\ {0} & {0} & {0} & {0} & {0} & {0} & {0} & {0} & {1} \end{array}\right]) =\frac{2}{81}$
这与我们之前计算的结果是一致的。

类似的，基于矩阵的内外部属性重要度的定义如下：
内部属性重要度:
若 $S=(U,A=C \bigcup D,V,f)$ 是一个决策信息系统， $B \subseteq C$ ，且 $U_{U}^{R_{B}}$ ， $U_{U}^{R_{B-\{a\} }}$ , $U_{U}^{R_{B \bigcup D}}$ , $U_{U}^{R_{(B -\{a\}) \bigcup D}}$ 都是等价关系矩阵， $\forall a \in B$ ，则属性 $a$ 关于条件属性 $B$ 相对于决策属性集 $D$ 的基于矩阵的相对知识粒度定义如下：
$\operatorname{Sig}_{U}^{inner }(a, B, D)=GP_{U}(D \mid B-\{a\})-GP_{U}(D \mid B)$

$=\{ GP_{U}(B-\{a\})-GP_{U}((B-\{a\}) \bigcup D) \}-\{GP_{U}(B)-GP_{U}(B \bigcup D) \}$

$=\overline{M_{U}^{R_{B-\{a \}}}}-\overline{M_{U}^{R_{(B -\{a\}) \bigcup D}}}-\overline{M_{U}^{R_{B}}}+\overline{M_{U}^{R_{B \bigcup D}}}$

外部属性重要度:
若 $S=(U,A=C \bigcup D,V,f)$ 是一个决策信息系统， $B \subseteq C$ ，且 $U_{U}^{R_{B}}$ ， $U_{U}^{R_{B \bigcup D}}$ , $U_{U}^{R_{B \bigcup \{a\} }}$ , $U_{U}^{R_{(B \bigcup \{a\}) \bigcup D}}$ 都是等价关系矩阵， $\forall a \in (C-B)$ ，则属性 $a$ 关于条件属性 $B$ 相对于决策属性集 $D$ 的基于矩阵的相对知识粒度定义如下：
$\operatorname{Sig}_{U}^{outer }(a, B, D)=GP_{U}(D \mid B)-GP_{U}(D \mid B \bigcup \{a\})$

$=\{ GP_{U}(B)-GP_{U}(B\bigcup D)\} - \{ GP_{U}(B \bigcup \{a\})-GP_{U}((B\bigcup \{a\}) \bigcup D) \}$

$=\overline{M_{U}^{R_{B}}}-\overline{M_{U}^{R_{B \bigcup D}}}-\overline{M_{U}^{R_{B \bigcup \{a \} }}}+\overline{M_{U}^{R_{(B \bigcup \{a\}) \bigcup D}}}$

参考上节的案例，如果使用矩阵表示的话，结果是一样的，但是基于矩阵的方式在面对大规模数据集是可能不是好的选择。

本文内容暂告一段落，之后将继续更新。

本文参考了：

景运革. 基于知识粒度的动态属性约简算法研究[D].西南交通大学,2017.

什么是粗糙集(五)
本节我们将继续介绍粗糙集有关的概念。上节我们介绍了知识粒度的度量，本节将介绍知识粒度的矩阵表示形式。我们先简单...
什么是粗糙集？粗糙集理论简介。
粗糙集理论，是继概率论、模糊集、证据理论之后的有一个处理不确定性的数学工具。于1982年波兰理工大学Z.pawl...
什么是粗糙集(一)
前言：最近一直在学Relief算法，属于特征选择的方面。而我想起了之前一直做的粗糙集，基于粗糙集的特征选择称为属性...
什么是粗糙集(二)
前言：之前，我简要地介绍了粗糙集，趁着双休日的空闲之余，我将继续更新粗糙集方面的一些概念。我会尽量以通俗易懂的语言...
什么是粗糙集(三)
很久之前，写过粗糙集方面的东西，然鹅鸽了......最近开始更特征选择了，因此粗糙集又重新开始更了！粗糙集方面很...
什么是粗糙集(四)
本节我们将继续介绍粗糙集有关的概念。本节将介绍经典粗糙集中粒度的度量相关概念。我们依旧使用这个决策信息系统为例。...
什么是粗糙集(六)
本节我们将继续介绍粗糙集有关的概念。上节我们介绍了知识粒度的矩阵表示形式，本节将介绍基于知识粒度属性约简定义和算...
利用粗糙集进行西瓜分类（上）
最近在学习粗糙集，但是其抽象的概念令我学习异常吃力。我使用的是周炜编著的《粗糙集理论及应用》，这本书概念居多，很多...
粗糙集
粗糙集概念
转载：百度文库一种对集合A的划分就对应着关于A中元素的一个知识面对日益增长的数据库，人们将如何从这些浩瀚的数据中...

什么是粗糙集(五)

矩阵

知识粒度的矩阵表现形式

相关文章

什么是粗糙集(五)

什么是粗糙集？粗糙集理论简介。

什么是粗糙集(一)

什么是粗糙集(二)

什么是粗糙集(三)

什么是粗糙集(四)

什么是粗糙集(六)

利用粗糙集进行西瓜分类（上）

粗糙集

粗糙集概念

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

特征选择

粗糙集

$U$	$a$	$b$	$c$	$e$	$f$	$d$
1	0	1	1	1	0	1
2	1	1	0	1	0	1
3	1	0	0	0	1	0
4	1	1	0	1	0	1
5	1	0	0	0	1	0
6	0	1	1	1	1	0
7	0	1	1	1	1	0
8	1	0	0	1	0	1
9	1	0	0	1	0	0

$U$	$a$	$b$	$c$	$e$	$f$	$d$
1	0	1	1	1	0	1
2	1	1	0	1	0	1
3	1	0	0	0	1	0
4	1	1	0	1	0	1
5	1	0	0	0	1	0
6	0	1	1	1	1	0
7	0	1	1	1	1	0
8	1	0	0	1	0	1
9	1	0	0	1	0	0

$U$	$a$	$b$	$c$	$e$	$f$	$d$
1	0	1	1	1	0	1
2	1	1	0	1	0	1
3	1	0	0	0	1	0
4	1	1	0	1	0	1
5	1	0	0	0	1	0
6	0	1	1	1	1	0
7	0	1	1	1	1	0
8	1	0	0	1	0	1
9	1	0	0	1	0	0