Discovering knowledge with the rough set approach

• Autorzy: Mazurek J.

Warianty tytułu

PL

Odkrywanie wiedzy w podejściu teorii zbiorów przybliżonych

• Języki publikacji: EN

Abstrakty

EN

The rough set theory, which originated in the early 1980s, provides an alternative approach to the fuzzy set theory, when dealing with uncertainty, vagueness or inconsistence often encountered in real-world situations. The fundamental premise of the rough set theory is that every object of the universe is associated with some information, which is frequently imprecise and insufficient to distinguish among objects. In the rough set theory, this information about objects is represented by an information system (decision table). From an information system many useful facts and decision rules can be extracted, which is referred as knowledge discovery, and it is successfully applied in many fields including data mining, artificial intelligence learning or financial investment. The aim of the article is to show how hidden knowledge in the real-world data can be discovered within the rough set theory framework. After a brief preview of the rough set theory’s basic concepts, knowledge discovery is demonstrated on an example of baby car seats evaluation. For a decision rule extraction, the procedure of Ziarko and Shan is used.

PL

Teoria zbiorów przybliżonych, która powstała w roku 1980, oferuje alternatywne podejście do teorii zbiorów rozmytych, gdy ma się do czynienia ze zjawiskiem niepewności, niejasności i niekonsekwencji, często spotykanym w rzeczywistych sytuacjach. Podstawowym założeniem teorii zbiorów przybliżonych jest to, że każdy obiekt wszechświata jest związany z pewnymi informacjami, które są często nieprecyzyjne i niewystarczające do rozróżnienia między obiektami. W teorii zbiorów przybliżonych, informacje o obiektach są reprezentowane przez system informacyjny (tabela decyzyjna). System informacyjny dostarcza wiele przydatnych faktów i reguł, które są określane jako odkrywanie wiedzy, która z powodzeniem jest stosowana w wielu dziedzinach, w tym w ekstrakcji danych, sztucznej inteligencji czy przy inwestycjach finansowych. Cele artykułu jest pokazanie, w jaki sposób wiedza ukryta w rzeczywistych danych, mogą zostać odkryte w trudnych ramach teorii mnogości. Po krótkim przedstawieniu podstawowych pojęć teorii zbiorów przybliżonych, na przykładzie ocen fotelików samochodowych, przedstawiono zjawisko odkrywania wiedzy. W celu wydobycia reguły decyzyjnej zastosowano procedurę Ziarko i Shan.

Słowa kluczowe

EN

information system; knowledge discovery; rough sets; rule extraction; uncertainty

PL

system informacyjny; odkrywanie wiedzy; zbiory przybliżone; ekstrakcja zasad; niepewność

• Wydawca: Czestochowa University of Technology
• Czasopismo: Polish Journal of Management Studies
• Rocznik: 2013
• Tom: Vol. 7
• Strony: 245--254
• Opis fizyczny: Bibliogr. 18 poz., tab.

Twórcy

autor

Mazurek J.

• Sileasian University in Opava, School of Business Administration in Karviná, Department of Mathematical Methods in Economics

Bibliografia

• [1]. Bazan, J. G. A comparison of dynamic and non-dynamic rough set methods for extracting laws from decision table. In: Rough Sets in Knowledge Discovery, 1998, vol. 1, Physica-Verlag, Heidelberg, pp. 321-365.
• [2]. Bazan, J. G., Skowron, A., Synak, A. Market data analysis: A rough set approach. ICS Research Reports, 1994, 6/94, Warsaw.
• [3]. Dubois, D., Prade, H. Rough fuzzy sets and fuzzy rough sets. International Journal of General Systems, 1990, nr. 17, pp. 191-209.
• [4]. Greco, S., Matarazzo, B., Slowinski, R. Rough sets theory for multicriteria decision analysis. European Journal of Operational Research, 2001, Vol. 129, Nr. 1, pp. 1–47.
• [5]. Greco, S., Matarazzo, B., Slowinski, R. Rough set approach to multi-attribute choice and ranking problems. In: Multiple Critetia Decision Making: 12th International Conference Proc., Springer, Berlin: 1997.
• [6]. Grzymala-Busse, J. A new version of the rule induction system LERS. Fundamenta Informaticae, 1997, Nr. 31.
• [7]. Mazurek J., „The Evaluation of Conflict’s Degree in Group Decision Making”, Polish Journal of Management Studies, vol. 5/2012.
• [8]. Mladá Fronta Dnes. Available from WWW: http://auto.idnes.cz/bezpeci-pro-deti-test-autosedacek-dlq-/automoto.asp?c=A060612_202359_automoto_fdv
• [9]. Pawlak, I. Z. Rough set theory and its applications. Journal of Telecommunications and Information Technology, 2002, Nr. 3, pp. 7-10.
• [10]. Pawlak, I. Z. Rough sets. International Journal of Computer and Information Sciences, 1982, Vol. 11, Nr. 5, pp. 341-356.
• [11]. Pawlak, I. Z. Rough sets: Theoretical Aspects of Reasoning About Data. Kluwer Academic Publishers, Dordrecht: 1991.
• [12]. Poel, D. Rough sets for database marketing. In: Rough Sets in Knowledge Discovery, Physica - Verlag, Wurzburg, pp. 324-335.
• [13]. Skowron, A. Boolean Reasoning for decision rules generation. In: Methodologies for Intelligent Systems, Lecture Notes in Artificial Intelligence, Vol. 689, Springer, Berlin, pp. 295-305.
• [14]. Slowinski, R., Zopounidis, C., Dimitras, A. I., Susmaga, R. Rough set predictor of business failure. In: Soft Computing in Financial Engineering, 1999, Physica-Verlag, Wurzburg, pp. 402-424.
• [15]. Tay, F. E. H., Shen, L. Economic and financial prediction using rough sets model. European Journal of Operations Research, 2002, Vol. 141, pp. 641-659.
• [16]. Wenshan, W., Haihua, L. Machine Learning Applications in Rough Set Theory. In: Internet Technology and Applications, 2010, Wuhan, pp. 1-3.
• [17]. Ziarko, W., Golan, R., Edwards, D. An application of datalogic/R knowledge discovery tool to identify strong predictive rules in stock market data. In: Proceedings of AAAI Workshop on Knowledge Discovery in Databases, Washington, DC, 1993, pp. 89-101.
• [18]. Ziarko, W., Shan, N. Discovering attribute relationships, dependencies and rules by using rough sets. In: Proceedings of the 28th Annual Hawaii International Conference on System Sciences, 1995, Hawaii, pp. 293-299.