Comments 11
Не очень понятно что дает разбиение множества U в соответствии с различными атрибутами. Как проводится анализ после этого?
Разбиение используется при реализации алгоритма LEM (глобальное покрытие данных — разбиение таблицы в целом) и LEM2 (локальное покрытие данных — разбиение зависит от значения атрибутов решений D, и именно в этом алгоритме приближенные множества использутся «во всей красоте»). Об этом, по подробнее, постараюсь рассказать в слеедующем посте
Начало заинтриговало. Ждем продолжения. Если можно, одно пожелание: не увлекайтесь особо реализацией на конкретном языке. Распишите луче «на пальцах», с помощью диаграмм, схем, рисунков… А уж реализовать каждый потом сможет на нужном и понятном ему языке.
по изображению напоминает вычисление интеграла по определению)
Всё же устоявшийся перевод на русский — «нечеткие множества», «нечеткая логика»
Все-таки нечеткое множество и приближенное множество — разные вещи. Для нечеткого множества определена функция пренадлежности, для приближенного — нет.
Понимаю о чём идет речь, однако в этом посте я описываю все-таки приближенные множества (rough sets, пол. zbiory przybliżone), не путать с размытыми (нечеткими) множествами (fuzzy sets, пол. zbiory rozmyte).
Интересно, а чем это отличается от обычных data mining алгоритмов — деревьев и нейросетей?
Очень жду неких примеров на Питоне. Давно в голове сидит проект, хочется реализовать, а об автоматическом анализе данные знаю мало. Теперь вот пришло время, жду пост! :)
Sign up to leave a comment.
Анализ данных. Приближенные множества