一种新的基于属性重要性的粗糙集值约简算法，共同学习，共同进步

图像矩阵matlab代码scikit-粗糙集 这是一个基于的MATLAB代码的粗集特征约简算法的实现。 还提供了与scikit-learn软件包的集成。 安装 可以使用Python的pip实用程序轻松安装该软件包。 用法 用法非常简单，与scikit的功能选择模块相同： from scikit_roughsets . rs_reduction import RoughSetsSelector import numpy as np y = np . array ([[ 1 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 1 , 1 , 1 , 1 ]]). T X = np . array ([[ 1 , 1 , 1 , 1 , 0 , 0 , 0 , 0 , 1 , 1 , 0 , 1 ], [ 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 ], [ 1 , 0 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 0 , 0 ], [ 0 , 0 , 0 , 1 , 1 , 1 , 1 , 0 , 1 , 0 ,

属性约简是粗糙集理论的核心问题之一,针对求取决策表所有决策约简集的NP问题,化繁为简将问题转化为对象动态增加下的决策约简求取问题。在深入分析了可辨识矩阵中可辨识集的特点及相互关系的基础上,优化改进决策辨识矩阵:①两对象之间不作逆向比较;②将决策可辨识矩阵列简化为属性等价类;③正域等价类作为决策可辨识矩阵的行,分情况给出了新决策表求取所有决策约简集的极小析取范式属性约简方法。该方法统一解决了相容和不相容决策表所有决策约简集的求取问题,最后通过实例分析验证了算法的可行性与有效性,为决策表的属性约简提供了一条高

基于粗糙集的属性约简算法研究，粗糙集， 约简算法

以邻域粗糙集的属性重要度作为量度，从一个空集出发，前向贪心的选择重要度大的属性并入到约简集合，直到达到约简条件。

基于差别矩阵属性约简算法的改进

基于差别矩阵和属性选择的属性约简算法，采用c++实现，能够在VS编译环境下快速实现，占用较少的内存资源。

粗糙集约简算法的简单matlab实现，应用在matlab上，可以实现。

对于约简而言，其实质上是保证复合物分类能力不变，立即降低弱约简的定义。利用区分矩阵能很容易计算出弱约简和遗传算法可以在分解寻优的优势，将染色体对区分函数的覆盖度作为适应度函数的参数，提出了一种基于遗传算法和区分矩阵的属性约简算法。算法中从粒计算的角度，重新划分粒度，对基于划分和覆盖的粗糙集方法通过k近邻算法通过准确率对弱约简效果进行评估。通过UCI数据集证明了该算法的有效性。该算法的时间复杂度是多个式的。

粗糙集属性约简算法的实现与应用.