Zastosowanie teorii zbiorów przybliżonych do wspomagania wieloatrybutowych i wielokryterialnych decyzji klasyfikacyjnych

• Autorzy: Iwona Gruszka
• Języki publikacji: PL

Abstrakty

Problem klasyfikacji, zwłaszcza wieloatrybutowej i wielokryterialnej oraz metody ich rozwiązania mają już bogatą historię. W związku z gwałtownym rozwojem nauk informatycznych pojawiają się jednak nowe możliwości klasyfikacji, są one coraz doskonalsze i pozwalają wspomagać decydenta w procesie podejmowania decyzji. (…) Istnieje wiele metod naukowego wspomagania decyzji klasyfikacyjnych. Jednym ze stosunkowo nowych podejść jest teoria zabiorów przybliżonych (TZP). (…) Pierwsza część pracy jest teoretyczna i dotyczy podejścia TZP do problemu klasyfikacji. Część aplikacyjną pracy stanowi przekład problemu decyzyjnego, w którym pokazana została niewystarczalność podejścia klasycznego TZP do rozwiązania decyzyjnego problemu klasyfikacyjnego i konieczność zastosowania podejścia TZP z relacją dominacji. (fragment tekstu)

Słowa kluczowe

PL

Zbiory przybliżone; Klasyfikacja; Proces decyzyjny

EN

Rough sets; Classification; Decision proces

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2004
• Tom: Postępy ekonometrii
• Strony: 53--64

Twórcy

autor

Iwona Gruszka

Bibliografia

• Blaise Ch., Chevre N., Gagne F., Gagnon P. (2003). Application of Rough Sets Analysis to Identify Polluted Aquatic Sities Based on a Battery of Bio-markers: A Comparison with Classical Methods. Chemosphere 51, 13-23.
• Bressan M., Vitria J. (2003). Nonparametric Discriminant Analysis and Nearest Neighbor Classification. Pattern Recognition Letters, 24, 2743-2749.
• Chouchoulas A., Shen Q. (2002). A Rough-Fuzzy Approach for Generating Classification Rules. Pattern Recognition, 35, 2425-2438.
• Dimitras A.I., Słowiński R., Zopounidis C. (1997). Prediction of Company Acquisition in Greece by Means of The Rough Set Approach. European Journal of Operational Research, 100, 1-15.
• Materazzo B., Słowiński R. (1999). The Use of Rough Sets and Fuzzy Sets in MCDM. MULTICRITERIA DECISION MAKING: Advances in MCDM Models, Algorithms, Theory and Applications. Red. T. Gal, T.J. Stewart, T. Hanne. Kluwer Academic Publishers, Boston/Dordrecht/London.
• Pawlak Z. (1982). Rough Sets. International Journal of Computer and Information Sciences, 11,5.
• Pawlak Z. (1997). Rough Set Approach to Knowledge-Based Decision Support. European Journal of Operational Research, 99, 48-57.
• Pawlak Z. (1998). Reasoning About Data - A Rough Set Perspective. [in:] RSCTS’98. LNAI 1424, 25-34. Red. L. Polkowski, A. Skowron. Springer-Verlag, Berlin, Hidelberg.
• Pawlak Z. (1999). Rough Classification. International Journal of Human-Computer Studies, 51, 369-383.
• Pawlak Z. (1999). Data Mining - a Rough Sets Perspective. [in:] PAKDD’99. LNAI 1574, 3-12. Red. N. Zhong and L.Zhou. Springer-Verlag, Berlin, Hidelberg.
• Pawlak Z., Słowiński R. (1994). Rough Set Approach to Multi-Attribute Decision Analysis. European Journal of Operational Research, 72, 443-459.
• Sarkar M. (2002). Rough-Fuzzy Functions in Classification. Fuzzy Sets and Systems, 132, 353-369.
• Stefanowski J. (2001). Algorytmy indukcji reguł decyzyjnych w odkrywaniu wiedzy. Rozprawy 361. Wydawnictwo Politechniki Poznańskiej, Poznań.
• Stefanowski J., Słowiński J. (1994). Rough Classification with Valued Closeness Relation. [in:] New Approaches in Classification and Data Analysis. Red. P. Bertrand, B. Burtschy, E. Diday, Y. Lechevallier, M. Schan¬der. Springer-Verlag, Berlin, Heidelberg, 482-489.
• Słowiński R., Zopounidis C. (1995). Application of the Rough Set Approach to Evaluation of Bankruptcy Risk. Intelligent Systems in Accounting Finance and Management, 4, 27-41.
• www - idss.cs.put.poznan.pl.