可变精度粗糙集合模型是经典粗糙集理论的一个扩展模型,它是在经典粗糙集合模型中引入了分类正确率β,其分类是部分的。本文首先比较全面地介绍了可变精度粗糙集合模型的基本概念,然后以此为基础,对可变精度粗糙集合的以下几个重要问题进行了深入细致地研究。 已知一个决策表,如何评价属性的重要性,关于这一问题目前已有不少文献进行了相关研究,但这些研究多是针对经典粗糙集理论进行的,本文讨论了基于可变精度粗糙集模型的属性重要性评价方法,同时将该方法应用于组合预测中。 分类正确率β和分类能力γ是可变精度粗糙集合模型的两个重要参数。本文详细论述了两者的相互关系及相互影响,并提出了β域观点,试图以对β域的研究代替传统的对特定β值的关注。 属性约简是采用可变精度粗糙集合模型生成有效规则的关键。传统的β约简定义的核心是保持β分类能力不变,笔者在研究中发现依照该定义求得的约简存在规则不一致现象,并针对这一现象进行深入研究,给出新的β约简定义及相应的约简方法。核属性是采用启发式式算法求解属性约简的关键。本文针对不相容决策表核属性的计算问题,提出了两种基于粗糙集代数观的核属性计算新方法。 最后,本文还研究了基于可变精度粗糙集合理论的数据挖掘模型,运用该模型并采用自行开发的系统对UCI数据库中的WINE数据集进行仿真实验,实验结果比较理想。