Granular Computing in Decision Approximation

"Granular Computing in Decision Approximation" è un libro di specializzazione che si occupa della scoperta di conoscenza nei dati, intendendo la conoscenza come un insieme di relazioni tra oggetti e le loro proprietà. Al centro dell'attenzione c'è l'induzione di regole decisionali implicative all'interno di un paradigma basato sul trattamento di granuli definiti da inclusioni grossolane. Questi concetti vengono esaminati nel contesto della mereologia grossolana, una versione ampliata della mereologia classica. Il libro definisce classi fondamentali di inclusioni grossolane e mette in evidenza metodi per l'induzione di strutture granulari dai dati. Le strutture risultanti vengono sottoposte a diversi algoritmi di classificazione, come i k-nearest neighbors e i classificatori bayesiani. I dettagliati risultati sperimentali, presentati sia in forma tabellare che visualizzata, provengono da quattordici set di dati del repository UCI. Una caratteristica notevole dei classificatori granulari è che preservano l'accuratezza dei dati originali riducendo al contempo significativamente la dimensione del set di dati granulari e il numero delle regole decisionali granulari. Questo rende l'approccio particolarmente attraente quando si desidera un numero ridotto di regole con alta accuratezza di classificazione. Gli algoritmi fondamentali sono spiegati nel testo e illustrati con esempi pratici, rendendo il libro utile anche come testo didattico.