其他分类方法
这里我们将讨论其他分类方法，例如遗传算法、粗糙集方法和模糊集方法。
遗传算法
遗传算法的思想源自自然进化。 在遗传算法中，首先创建初始种群。 该初始群体由随机生成的规则组成。 我们可以用一串位来表示每个规则。
例如，在给定的训练集中，样本由两个布尔属性(例如A1和A2)来描述。 这个给定的训练集包含两个类，例如 C1 和 C2。
我们可以将规则IF A1 AND NOT A2 THEN C2编码为位串100。 在该位表示中，最左边的两个位分别表示属性 A1 和 A2。
同样，规则IF NOT A1 AND NOT A2 THEN C1可以编码为001。
注意 − 如果属性有K个值，其中K>2，那么我们可以使用K位来对属性值进行编码。 这些类也以相同的方式编码。
要记住的要点 −
基于适者生存的理念，由当前种群中的适者生存规则以及这些规则的后代值组成一个新的种群。
规则的适用性通过其在一组训练样本上的分类准确性来评估。
应用交叉和变异等遗传算子来创建后代。
在交叉中，一对规则中的子串被交换以形成一对新的规则。
在突变中，规则字符串中随机选择的位会被反转。
粗糙集方法
我们可以使用粗糙集方法来发现不精确和噪声数据中的结构关系。
注意 − 此方法只能应用于离散值属性。 因此，连续值属性在使用前必须进行离散化。
粗糙集理论基于给定训练数据内等价类的建立。 形成等价类的元组是难以辨别的。 这意味着样本在描述数据的属性方面是相同的。
给定的现实世界数据中存在一些类，无法根据可用属性来区分。 我们可以使用粗糙集来粗略定义这样的类。
对于给定的 C 类，粗糙集定义由两个集合近似，如下所示 −
C 的较低近似值 − C 的下近似由所有基于属性知识的数据元组组成，这些数据元组确定属于 C 类。
C 的上近似值 − C的上近似由所有基于属性知识的元组组成，不能被描述为不属于C。
下图显示了C类的上下近似 −
模糊集方法
模糊集合论也称为可能性论。 该理论由 Lotfi Zadeh 于 1965 年提出，作为双值逻辑和概率论的替代。 这个理论使我们能够在高抽象层次上工作。 它还为我们提供了处理数据测量不精确的方法。
模糊集合论还允许我们处理模糊或不精确的事实。 例如，成为一组高收入的成员是准确的(例如，如果 50,000 美元很高，那么 49,000 美元和 48,000 美元又如何)。 与传统的 CRISP 集合不同，其中元素要么属于 S 要么属于它的补集，但在模糊集合理论中，元素可以属于多个模糊集合。
例如，收入值$49,000既属于中模糊集又属于高模糊集，但程度不同。 该收入值的模糊集表示法如下 −
mmedium_income($49k)=0.15 and mhigh_income($49k)=0.96
其中"m"是分别对medium_venue 和high_venue 的模糊集进行操作的隶属函数。 该符号可以用图解表示如下:−
