基于带有粗糙模糊集的成本敏感型顺序三路决策的最佳粒度选择

作为Pawlak粗糙集的扩展,提出了粗糙模糊集来处理通常是模糊或不确定的目标概念。 将成本敏感型学习引入粒度计算是值得的,因为可以选择具有最佳成本的粒度。 就决策而言,测试成本和决策成本是最受欢迎的成本类型。 在顺序三向决策(S3WD)模型中,粒度对测试成本敏感。 同时,准确性对决策成本敏感。 为解决问题选择最佳的成本敏感粒度有助于在S3WD中以最低的总成本获得最佳结果。 但是,在实际应用中很难准确,客观地评估测试成本,而现有的工作仅着眼于寻找总成本作为目标函数。 在本文中,我们首先提出了具有粗糙模糊集的顺序三路决策模型(S3WDRFS)。 然后,对于S3WDRFS及其三个区域,其决策成本的变化规则以分层的粒度结构显示。 通过考虑用户需求,提出了一种基于S3WDRFS模型的优化机制,以实现对成本敏感的最优粒度选择。 最后,实验结果表明,可以在某些约束条件下获得示例性的最佳粒度,以进行高质量的决策。