Rough Set Application for the Tax Payer Classification Rules

• Autorzy: Misztal L.

Warianty tytułu

PL

Zastosowanie teorii zbiorów przybliżonych w zadaniu klasyfikacji podatników

• Języki publikacji: EN

Abstrakty

EN

Classification of the tasks for real-world problems becomes possible because of creation and use of more efficient IT systems. It also targets rough set methods as well described with solid mathematical basis for classification tasks. In the presented paper the application of rough set theory with the usage of significance of attributes and decision rule sets for classification of taxpayers is described. There are taken into account the negative or positive results of taxation control, and specific features describing payers are considered. Appropriate choice of data, building the model and its application leads to the specified goal reaching, with better accuracy in comparison to "intuitive" choice. Simultaneously it becomes possible to extract decision rules in the linguistic form, what gives opportunity for easier interpretation of obtained results. As a result of the solution application the more accurate selection of tax payers is obtained. This is of significant meaning for the tax authorities, and this leads for the better observance of the tax law.

PL

Rozwiązywanie zadań klasyfikacji dla rzeczywistych problemów stało się możliwe dzięki rozwojowi wydajniejszych systemów informatycznych. Dotyczy to również teorii zbiorów przybliżonych dla zadań klasyfikacji. W przedstawionej publikacji zastosowano zbiory przybliżone, które mają ugruntowaną teorię bazującą na rozszerzeniu teorii zbiorów i definiującą dolne oraz górne przybliżenie, oraz wyznaczającą tabelę decyzyjną do klasyfikacji. Metodę użyto do obliczeń istotności atrybutów oraz reguł decyzyjnych opisujących klasyfikację podatników ze względu na pozytywny lub negatywny wynik kontroli, przy uwzględnieniu specyficznych cech ich opisujących. Odpowiedni dobór danych, budowa modelu oraz jego użycie umożliwiło osiągnięcia zadanego celu ze zwiększoną dokładnością w stosunku do "intuicyjnego" wyboru. Wykorzystanie zbiorów przybliżonych, które wyznaczają wyniki końcowe klasyfikacji w postaci zbioru reguł umożliwiło ich ekstrakcję w łatwo interpretowalnej formie lingwistycznej. W publikacji zastosowano autorskie rozwiązanie programowe bazujące na kolekcjach, tablicach oraz obiektach pośrednich, zaimplementowane dla bazy danych Oracle, dzięki któremu zrealizowano zadanie oraz przedstawiono rezultaty. Dzięki uzyskanym wynikom bazującym na modelu opartym na użytej metodzie możliwe staje się dokładniejsze typowanie podatników funkcjonujących w polskim systemie prawnym i mających problemy podatkowe, których należy poddać kontroli. Tym samym zwiększa się skuteczność egzekwowania prawa podatkowego.

Słowa kluczowe

EN

rough sets; data mining; classification; rules extraction; decision rules

PL

zbiory przybliżone; eksploracja danych; klasyfikacja; ekstrakcja reguł; reguły decyzyjne

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 10
• Strony: 796--798
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wzory

Twórcy

autor

Misztal L.

• Department of Information Systems Engineering, West Pomeranian University of Technology,

Bibliografia

• [1] Pawlak Z.: Some issues on rough sets, Springer Science, 2005.
• [2] Inuiguchi M.: Generalizations of Rough Sets and Rule Extraction, Springer, 2005.
• [3] Triantaphyllou E., Felici G.: Data Mining & Knowledge Discovery based in Rule Induction, Springer Science, 2006.
• [4] Pawlak Z.: Rough Sets – Theoretical Aspects of Reasoning about Data., Kluwer Academic Publishers, 1991.
• [5] Olson D., Delen D.: Advanced Data Mining Techniques, Springer, 2008.
• [6] Duntsch I., Gediga G.: Rough set data analysis, Methodos Publisher, 2000.
• [7] Bazan J., Synak P., Wrobleski J.: Rough Set Algorithms in Classification Problem, Springer, 2000.
• [8] Grzymala-Busse J.: Rough Set Strategies to Data with Missing Attribute Values, Springer, 2006.
• [9] Oracle Database 10g: Advanced PL/SQL, Oracle corp., 2004.
• [10] Oracle Database Documentation Library 11g Release 1 (11.1), Oracle Corp., 2008.
• [11] Oracle Data Mining Concepts 11g Release 1 (11.1), Oracle Corp., 2005-2007.
• [12] Elmasri R., Shamkant B.Navathe, Fundamentals of Database Systems, Addison-Wesley, 2004.