Kierunkowe zbiory podobieństwa a problem niekompletności danych

• Autorzy: Adamus E.
• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiona została metoda warunkowego uzupełniania niekompletnych danych dopełnieniami klas podobieństwa.

EN

The problem of the incomplete data is quite common especially in the case of the actual measurement samples. In this connection, it has been vastly commented in the literaturt, especially in the rough set theory. The rough set theory was meant as a tool for imprecise and inconsistent information systems. The aim of this work is to supplement the incomplete data relying on the relations designed to this problem, (similarity and tolerance relation). Basing on the opposite information to the incomplete object we know the area of permitted values for this object. The method proposed in the article works on the assumption that we possess with the opposite information to the supplemented sample in our information system.

Słowa kluczowe

PL

kierunkowe zbiory podobieństwa; niekompletność danych; niedostępne wartości; brakujące wartości

EN

rough set theory; tolerance relation; similarity relation; opposite information; directional classes of similarity

• Wydawca: Komisja Informatyki Polskiej Akademii Nauk, Oddział w Gdańsku
• Czasopismo: Metody Informatyki Stosowanej
• Rocznik: 2008
• Tom: nr 1 (Tom 13)
• Strony: 7--15
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Adamus E.

• Politechnika Szczecińska, Wydział Informatyki

Bibliografia

• [1] Adamus E. Przegląd metod stosowanych do badań nad niekompletnymi danymi pomiarowymi. VIII Sesja Informatyki 2003, s. 387-395
• [2] Adamus E. Metoda warunkowego uzupełniania niekompletnych danych dopełnieniami klas podobieństwa. Rozprawa Doktorska, Politechnika Szczecińska, Wydział Informatyki. Instytut Sztucznej Inteligencji i Metod Matematycznych, 2007
• [3] Adamus E. Predicting incomplete. data on the basis of non symmetric. similarity relation. Advances in Information Processing and Protection. Springer-Verlag 2007
• [4] Blake C. L., Newman D. J., Hettich S., Merz C. 3. UCI Repository of machine learning databases. [online] http://www.icfi.uci.edu/ mlearn/MLRepository.himl. University of California, Irvine, Dept. of Information and Computer Sciences, 1998
• [5] Grzymala J. W., Grzymala W. J. Handling missing attribute values. W: Maimon O.. Rokach L. Data Mining and Knowledge Discovery Handbook. Springer US 2006, s. 37-57
• [6] Grzymala-Busse J. W. Characteristic Relations for Incomplete Data: A Generalization of the Indiscernibility Relation. Proceedings of the RSTC, the Fourth International Conference on Rough Sets and Current Trends in Computing, Springer-Verlag, 2004, Lecture Notes in Artificial Intelligence 3066, s. 244-253.
• [7] Grzymala-Busse J, W. Data with Missing Attribute Values: Generalization of Indiscernibility Relation and Rule Induction. Transactions on Rough Sets, Springer-Verlag 2004
• [8| King G., Honaker .J., Joseph A. Analyzing Incomplete Political Science Data: An Alternative Algorithm for Multiple Imputation. American Political Science Review, vol. 95, 2001, s. 49-69
• [9] Little R. .1., Rubin D. B. Statistical Analysis with Missing Data. Second Edition. John Wiley and Sons 2002
• [10] Stefanowski J. Algorytmy indukcji reguł decyzyjnych w odkrywaniu wiedzy. Rozprawa habilitacyjna, Wydawnictwo Politechniki Poznańskiej, Seria Rozprawy nr 361., 2001
• [11] Stefanowski J., Tsoukias A. Incomplete information tablet and rough classification. Int. Journal of Computational Intelligence, 2001