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来介绍它们。

注:鉴于本人水平所限,文章中若有错误还请各位读者及时指正哦!



等价类与等价关系

本次,我将介绍粗糙集中的等价类和等价关系


首先,我们不妨先入为主地了解下等价类的定义吧,以下定义来自维基百科。

在数学上,假设在一个集合X上定义一个等价关系(用\sim来表示),则X中的某个元素a的等价类就是X中等价于a的所有元素所形成的子集:

[a]=\{x\in X|x \sim a   \}

还是举几个例子吧

如果说X是汽车的集合,\sim是汽车颜色相同的等价类,则一个特定等价类由所有的绿色汽车组成。X/ \sim自然被认为所有汽车颜色的集合

考虑到整数集合Z上的 “模2” 等价关系,x\sim y当且仅当x-y是偶数。这个关系精确地引发两个等价类:[0]由所有的偶数组成,[1]由所有的奇数组成。在这种关系下,[7],[9]和[1]都表示Z / \sim的同一个元素。



在简要了解等价类这个概念后,下面我们将给出粗糙集中的等价类和等价关系

S=(U,A=C\cup D,V,f)是决策信息系统,\forall B\subseteq C,论域U的不可分辨关系被定义为:

R_B=\{(x,y)\in U\times U|f(x,a)=f(y,a),\forall a\in B   \}

很显然,不可分辨关系是一种等价关系。它将论域U划分为U/R_{B},U/R_{B}=\{E_{1},E_{2},...,E_{m} \}是由等价关系R_{B}形成的等价类集合。由等价关系R_{B}形成的等价类[x]_{B}=\{y|(x,y)\in R_{B} \}是粗糙集理论中的基本知识粒。

我还是拿病人病例为例,往期博客:https://www.jianshu.com/p/a129b7a6be9e



病人              头疼            肌肉疼            体温                 流感


e_{1}                是               是                    正常                否

e_{2}                是               是                    高                    是

e_{3}                是               是                    很高                是

e_{4}                否               是                    正常                否

e_{5}                否               否                    高                    否

e_{6}                否               是                    很高                是



设论域U=\{e_{1},e_{2},e_{3},e_{4},e_{5},e_{6}  \},条件属性c_{i}=\{c_{1},c_{2},c_{3} \},决策属性D=\{d  \}


c_{1}为头疼,c_{2}为肌肉疼,c_{3}为体温,有三个条件属性。

先来看头疼这个条件属性,它的值域只有两个:“是”和“否”。

U /\{ c_{1} \}=\{\{e_{1},e_{2},e_{3} \},\{e_{4},e_{5},e_{6}    \}\}=\{\{是  \},\{否     \}\}

\{ e_{1},e_{2},e_{3}  \}为“是”

\{e_{4},e_{5},e_{6}   \}为“否”

c_{1}为论域U上一个知识

再看肌肉疼这个条件属性,它的值域只有两个:“是”和“否”。

U /\{ c_{1} \}=\{\{e_{1},e_{2},e_{3},e_{4},e_{6}    \},\{e_{5}   \}\}=\{\{是  \},\{否      \}\}

\{e_{1},e_{2},e_{3},e_{4},e_{6}      \}为“是”

\{e_{5}   \}为“否”

c_{2}为论域U上一个知识

最后看看体温这个条件属性,它的值域有三个:“正常”,“高”和“很高”。

U/\{c_{3}  \}=\{\{e_{1},e_{4} \},\{e_{2},e_{5} \},\{e_{3}, e_{6}    \} \}=\{\{正常  \},\{高   \},\{很高   \}\}

\{e_{1},e_{4}  \}为“正常”

\{e_{2},e_{5}   \}为“高”

\{e_{3},e_{6}  \}为“很高”

c_{3}为论域U上一个知识


决策属性当然便是流感,它的值域有两个:“是”和“否”。

U/d=\{X_{1},X_{2}  \}

X_{1}=\{ e_{1},e_{4},e_{5}    \}为“否”

X_{2}=\{ e_{2},e_{3},e_{6}   \}为“是”

至此,等价类和等价类关系暂时介绍到这里了

接下来,我将介绍精确集和粗糙集



精确集和粗糙集

这里,我不会涉及到学术方面的定义和概念,只是结合病例的例子做一个简单的介绍

拿体温c_{3}这个条件属性为例

U/c_{3}=\{ \{ e_{1},e_{4}  \},\{e_{2},e_{5} \},\{e_{3},e_{6}    \} \}=\{X_{1},X_{2},X_{3} \}

如果X=\{ e_{1},e_{2},e_{4},e_{5}  \}

那么X=X_{1}\cup X_{2}=\{e_{1},e_{4}     \} \cup \{e_{2},e_{5}  \}

X可以由已有的X_{1},X_{2},X_{3}中的若干个(X_{1},X_{2})组成,因此 X是c_{3}精确集


如果X=\{e_{1},e_{2},e_{4}  \}

X=\{e_{1},e_{4}   \}\cup \{e_{2}  \}

此时,X不能用X_{1},X_{2},X_{3}中的任何一个或者若干个组合构成,那么X是c_{3}粗糙集



本文内容暂时到这里结束了,之后将会介绍上近似,下近似等等概念。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,132评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,802评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,566评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,858评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,867评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,695评论 1 282
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,064评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,705评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,915评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,677评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,796评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,432评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,041评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,992评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,223评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,185评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,535评论 2 343

推荐阅读更多精彩内容

  • 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...
    思想永不平凡阅读 19,294评论 9 32
  • 这是16年5月份编辑的一份比较杂乱适合自己观看的学习记录文档,今天18年5月份再次想写文章,发现简书还为我保存起的...
    Jenaral阅读 2,731评论 2 9
  • 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...
    思想永不平凡阅读 9,622评论 9 30
  • 终于下班了,发完文件给广告公司后长舒一口气!可是一看身边的同事,基本都走的七七八八了。收拾东西。准备下班! 走出电...
    独酌清欢阅读 137评论 0 0
  • 昏暗的地下监狱里,看不见人。 水滴声砸在地上凹陷的坑,发出毫无节奏的嘀嗒声。 这声对于监狱里的女人异常刺耳。...
    独一处欢喜阅读 880评论 0 0