Rough sets divisibles basados en clustering jerárquico

Abstract

Desde que la teoría de rough sets fue propuesta por Pawlak en 1982, se ha aplicado en la extracción de conocimiento de bases de datos de todo tipo. Sin embargo, se han detectado ciertos inconvenientes en casos complejos y de gran inconsistencia, como su falta de flexibilidad y su excesiva dependencia respecto a la discretización inicial de los atributos. Para superarlos aquí se propone una nueva técnica híbrida, denominada “rough sets divisibles”, que combina rough sets de precisión variable con clustering jerárquico y perceptrones. Así se pretende analizar las clases de equivalencia que mediante rough sets no generan ninguna regla con objeto de ver si mediante alguna división se puede obtener alguna nueva regla cierta. Además, se incorpora el concepto de centro de clase de equivalencia, útil en la asignación de decisiones a ejemplos que no caen en ninguna región positiva y para la división de clases de equivalencia. Las comparaciones del método de rough sets clásico y el de los “rough sets divisibles” ante varios casos ejemplo muestran que este último ofrece mejores resultados en la mayoría de los tests realizados.