本文介绍了数据库中知识发现的重要性,包括分类模型学习需要满足的单调性限制,并提出了一种基于所生成模型类型的算法分类法,并综述了不同数据集和单调问题的质量评估度量。
Nov, 2018
研究了多种选型模型并提出了三种新的程序来实现强的调整规则,利用随机适应性和最大化所有可行排序模型对结果的支持,对具有不同复杂性的问题实例进行了性能验证以评估欧洲城市绿色绩效。
Aug, 2022
本文提出了一种基于粗集理论的规则一般性诱导方法(Rule General Abductive Learning by Rough Set,RS-ABL),用于解决信息系统中知识处理中的知识获取、纠错、减少、生成和协同处理等问题,并在解决半监督任务时具有更高的准确性。
May, 2023
该论文介绍了一种名为WMSD-space的新方法,它可以将TOPSIS和类似的基于距离的汇总方法成功地描绘在平面上并解释,即使是在具有加权标准的情况下。
Jun, 2023
基于鲁棒有序方法和不确定性集合的决策模型,学习决策者对子集间偏好的偏好预测方法及评估。
Aug, 2023
本研究提出了新颖的偏好学习方法,以解决存在时间标准的多准则排序问题。这项研究介绍了一种凸二次规划模型和一个集成学习算法,同时还引入了一种新颖的单调循环神经网络(mRNN),并对提出的模型进行了综合评估。研究结果表明,与多种基准方法相比,所提出的模型实现了显著的性能改进。
Sep, 2023
模糊粗糙规则诱导(FRRI)是一种能够生成精确而又简短规则集的新型规则诱导算法,通过将模糊和粗糙集理论结合,提供了对机器学习中解释性问题的一种解决方案。
Mar, 2024
本研究旨在通过将Shannon熵与粗糙集理论相结合,提供一种创新的方法来推广机器学习评估方法。该综合框架将粗糙集理论的粒度与Shannon熵的不确定性量化相结合,应用于一系列机器学习算法,旨在不仅评估预测性能,还揭示数据的内在结构和模型的鲁棒性。通过在各种数据集上进行严格测试,结果表明了该综合方法在增强机器学习评估中的实用性,提供了一个多方位的视角,平衡了准确性与对数据属性和模型动态的深入理解。该论文为机器学习评估提出了一种开创性的观点,提出了一种概括模型性能整体视图的方法,从而在模型选择和应用中促进更明智的决策。
Apr, 2024
本研究通过利用七值逻辑及其派生逻辑的方法,在多准则决策辅助领域中提出了新的优势关系和价值函数偏好模型,有效应对了决策建模中的不确定性、模糊性和性能偏好不确定性等常见挑战,并通过构建七值偏好关系以及使用多个优势关系或价值函数来定义偏好,兼顾了决策制定者的鲁棒性关注,并通过实例分析验证了方法的应用性和有效性。
May, 2024
本研究解决了现有多标准排序方法在处理非单调标准时的不足。论文提出了通过阈值驱动排序程序整合的创新方法,并建立了优化模型来处理决策者赋值信息的不一致性。研究结果表明,所提出的方法有效且具备实际应用潜力。
Sep, 2024