6218156477

14 Ewa Adamus

2.    Przy uzupełnianiu dopełnieniami klas podobieństwa nie tracimy informacji o unikalnych obiektach niekompletnych oraz obiektach niekompletnych, co prawda nie unikalnych, ale na podstawie których można dokonać jednoznacznej klasyfikacji (czyli podobnych wyłącznie do obiektów tej samej - co niekompletny - klasy decyzyjnej).

3.    Warunkowe uzupełnianie dopełnieniami klas podobieństwa, zwiększa dokładność przybliżenia danego zbioru (współczynnik przybliżenia). Wynika to z faktu, że zbiór obiektów, powstałych w wyniku takiego uzupełniania, całkowicie zawiera się w dolnym przybliżeniu rozważanego zbioru.

4.    Uzupełnianie wybranych, niekompletnych danych wymaga znajomości wartości ich klasy decyzyjnej. Z tego względu - omówioną metodę - można stosować dla etapu uczenia nadzorowanego, w celu indukcji efektywniejszego klasyfikatora.

5.    Mankamentem metody jest jej wrażliwość na rozmiar wektora wejść systemu informacyjnego. Przy znacznej liczbie atrybutów warunkowych proces obliczeniowy może ulec wydłużeniu, ze względu na potrzebę obliczania dopełnień klas podobieństwa. Jednak przy obecnej technologii, czynnik ten nie powinien mieć istotnego znaczenia, zważywszy powszechność zjawiska jakim jest problem niekompletnych danych oraz potrzebę opracowywania narzędzi do radzenia sobie z tym problemem. W przypadku metody rozważanej w referacie, alternatywą dla ewentualnego wzrostu czasu obliczeń jest możliwość uzyskania dodatkowych informacji na podstawie niekompletnych danych pomiarowych.

Bibliografia

[1]    Adamus E. Przegląd metod stosowanych do badań nad niekompletnymi danymi pomiarowymi. VIII Sesja Informatyki 2003, s. 387-395

[2]    Adamus E. Metoda warunkowego uzupełniania niekompletnych danych dopełnieniami klas podobieństwa. Rozprawa Doktorska, Politechnika Szczecińska, Wydział Informatyki, Instytut Sztucznej Inteligencji i Metod Matematycznych, 2007

[3]    Adamus E. Predicting incomplete data on the basis of non symmetric similarity relation. Advances in Information Processing and Protection, Springer-Verlag 2007

[4]    Blake C. L., Newman D. J., Hettich S., Merz C. J. UCI Repository of machinę learning databases. [online] http://www.ics.uci.edu/~mleam/MLRepository.html, University of California, Irvine, Dept. of Information and Computer Sciences, 1998

[5]    Grzymała J. W., Grzymała W. J. Handling missing attribute ualues. W: Maimon O., Rokach L. Data Mining and Knowledge Discouery Handbook. Springer US 2006, s. 37-57

[6]    Grzymala-Busse J. W. Characteristic Relations for Incomplete Data: A Gene-ralization of the Indiscemibility Relation. Proceedings of the RSTC, the Fo-urth International Conference on Rough Sets and Current Trends in Computing, Springer-Verlag, 2004, Lecture Notes in Artificial Intelligence 3066, s. 244-253

[7]    Grzymala-Busse J. W. Data with Missing Attribute Values: Generalization of Indiscemibility Relation and Rule Induction. Transactions on Rough Sets, Springer-Verlag 2004

[8]    King G., Honaker J., Joseph A. Analyzing Incomplete Political Science Data: An Altematiue Algorithm for Multiple Imputation. American Political Science Review, vol. 95, 2001, s. 49-69