Granular Computing in Decision Approximation

"Granular Computing in Decision Approximation" ist ein Fachbuch, das sich mit der Wissensentdeckung in Daten beschäftigt, wobei Wissen als ein Set von Beziehungen zwischen Objekten und deren Eigenschaften verstanden wird. Im Mittelpunkt steht die Induktion von implicativen Entscheidungsregeln innerhalb eines Paradigmas, das auf der Verarbeitung von Granulen basiert, die durch grobe Inklusionen definiert sind. Diese Konzepte werden im Rahmen der groben Mereologie untersucht, einer erweiterten Version der klassischen Mereologie. Das Buch definiert grundlegende Klassen von groben Inklusionen und hebt Methoden zur Induktion granularer Strukturen aus Daten hervor. Die resultierenden Strukturen werden verschiedenen Klassifikationsalgorithmen, wie k-nächste Nachbarn und bayesischen Klassifikatoren, unterzogen. Die detaillierten experimentellen Ergebnisse, die sowohl in tabellarischer als auch in visualisierter Form präsentiert werden, stammen aus vierzehn Datensätzen des UCI-Datenrepositories. Ein bemerkenswertes Merkmal der granularen Klassifikatoren ist, dass sie die Genauigkeit der ursprünglichen Daten bewahren und gleichzeitig die Grösse des granulierenden Datensatzes sowie die Menge der granularen Entscheidungsregeln erheblich reduzieren. Dies macht den Ansatz besonders attraktiv, wenn eine geringe Anzahl von Regeln mit hoher Klassifikationsgenauigkeit gewünscht ist. Die grundlegenden Algorithmen werden im Text erklärt und mit praktischen Beispielen veranschaulicht, wodurch das Buch auch als Lehrbuch dienen kann.