Granular Computing in Decision Approximation

"Granular Computing in Decision Approximation" est un ouvrage spécialisé qui traite de la découverte de connaissances à partir des données, en considérant la connaissance comme un ensemble de relations entre des objets et leurs propriétés. L'accent est mis sur l'induction de règles décisionnelles implicatives dans un paradigme basé sur le traitement de granules définis par des inclusions grossières. Ces concepts sont examinés dans le cadre de la mérologie grossière, une version étendue de la mérologie classique. Le livre définit des classes fondamentales d'inclusions grossières et met en avant des méthodes pour induire des structures granulaires à partir des données. Les structures résultantes sont soumises à divers algorithmes de classification, tels que les k-plus proches voisins et les classificateurs bayésiens. Les résultats expérimentaux détaillés, présentés à la fois sous forme tabulaire et visualisée, proviennent de quatorze ensembles de données du dépôt de données UCI. Une caractéristique remarquable des classificateurs granulaires est qu'ils préservent la précision des données d'origine tout en réduisant considérablement la taille de l'ensemble de données granulaires ainsi que le nombre de règles décisionnelles granulaires. Cela rend l'approche particulièrement attrayante lorsqu'un petit nombre de règles avec une haute précision de classification est souhaité. Les algorithmes fondamentaux sont expliqués dans le texte et illustrés par des exemples pratiques, ce qui permet au livre de servir également de manuel pédagogique.