Knowledge Acquisition by Means of Rough Sets Theory

• Autorzy: Olga A. Siniavskaya , Boris A. Zhelezko

Warianty tytułu

Pozyskiwanie wiedzy dzięki teorii zbiorów przybliżonych

• Języki publikacji: EN

Abstrakty

EN

In this article possibilities of knowledge acquisition by means of rough sets theory are considered. The basic concepts of rough sets theory are given, including methods of calculation of basic indicators. Examples of rough sets theory application for calculation of probability of events' causes and consequences, estimations of results utility are described. The principle of economic information discretisation for its processing by means of rough sets theory methods is considered. Relation of rough sets theory with alternative decision-making theories and intellectual data analysis methods is shown. (original abstract)

W pracy rozważa się możliwość pozyskiwania wiedzy dzięki teorii zbiorów przybliżonych. Zawiera ona podstawowe pojęcia z teorii zbiorów przybliżonych oraz metody obliczania podstawowych wskaźników stosowanych przez teorię. Opisany zostały przykłady obliczania prawdopodobieństwa przyczyn i skutków wydarzeń, oceny przydatności wyników. Praca określa zasady pobierania próbek danych do przygotowania się do ich przetwarzania metodami teorii zbiorów przybliżonych. Przedstawiono zależność pomiędzy teorią zbiorów przybliżonych a alternatywnymi metodami oraz teoriami eksploracji danych. (abstrakt oryginalny)

Słowa kluczowe

EN

Rough set theory; Rough sets; Knowledge; Knowledge acquisition

PL

Teoria zbiorów przybliżonych; Zbiory przybliżone; Wiedza; Gromadzenie wiedzy

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2010
• Numer: nr 133 Pozyskiwanie wiedzy i zarządzanie wiedzą
• Strony: 122--130

Twórcy

autor

Olga A. Siniavskaya

• Belarus State Economic University, Minsk

autor

Boris A. Zhelezko

• Belarus State Economic University, Minsk

Bibliografia

• [1] Beynon M.J., Peel M.J., Variable precision rough sets theory and data discretisation: An application to corporate failure prediction, "Omega" 2001, Vol. 29, pp. 561-576.
• [2] Greco S., Matarazzo B., Slowinski R., Rough sets methodology for sorting problems in presence of multiple attributes and criteria, "European Journal of Operational Research" 2002, Vol. 138, pp. 247-259.
• [3] Khoo L.-P., Zhai L.-Y., A prototype genetic algorithm-enhanced rough set-based rule induction system, "Computers in Industry" 2001, Vol. 46, pp. 95-106.
• [4] McKee T.E., Lensberg T., Genetic programming and rough sets: A hybrid approach to bankruptcy classification, "European Journal of Operational Research" 2002, Vol. 138, pp. 436-451.
• [5] Pawlak Z., Rough sets, "International Journal of Information & Computer Sciences" 1982, Vol. 11, pp. 341-356.
• [6] Pawlak Z., Rough sets and intelligent data analysis, "Information Sciences" 2002, Vol. 147, pp. 1-12.
• [7] Quafafou M., α-RST: A generalization of rough sets theory, "Information Sciences" 2000, Vol. 124, pp. 301-316.
• [8] Shen L., Tay F.E.H., Qu L., Shen Y., Fault diagnosis using Rough Sets Theory, "Computers in Industry" 2000, Vol. 43, pp. 61-72.
• [9] Srinivasan P., Ruiz M.E., Kraft D.H., Chen J., Vocabulary mining for information retrieval: Rough sets and fuzzy sets, "Information Processing and Management" 2001, Vol. 37, pp. 15-38.
• [10] Yao Y.Y., A comparative study of fuzzy sets and rough sets, "Journal of Information Sciences" 1998, Vol. 109, pp. 227-242.