粗糙集分类

粗糙集理论
粗糙集理论（Rough Set theory）是一个种处理数据分类的数据挖掘方法。当数据属于定性数据或不确定性数据，无法使用一般的统计方法时，粗糙集理论可以在信息不完整和信息不一致下，用来规约数据集合，发掘隐藏的数据阳性和数据相关性，以产生有用的分类规则。
粗糙集理论现在主要应用在①临床医疗诊断；②电力系统和其他工业过程故障诊断；③预测与控制；④模式识别与分类；⑤机器学习和数据挖掘； ⑥图像处理等方面。

粗糙集理论基础：
信息系统：是四元组（U，Q，V，f）其中U是对象集合，Q是属性集合，V是属性的值域，f是一种映射，反应对象集合之间值。
不可分辨关系IND（P）/等价关系：分类过程中，相差不大的个体被归于同一类。
下近似：集合X关于I的下近似（Lower approximation）是由那些根据现有知识判断肯定属于X的对象所组成的最大集合。
上近似：集合X关于I的上近似（Upper approximation）是由所有与X相交非空的等效类I（x）的并集，是那些可能属于X的对象组成的最小集合。
精确集合：上下近似相等。
粗糙集：上下近似不等。
正区域：下近似
负区域：上近似以外的区域。
边界：上下近似的差。
粗糙度：下近似集合的基数或势（元素个数）/上近似的基数或势（元素个数）。

粗糙集理论产生的分类规则：