Rough集模型

基于数据库系统的 Rough 集模型的扩展挺有意思的，是它了一个实际问题：如何不一致的决策表。以前，Rough 集模型的知识约简算法只能一致的决策表，但这篇文章给出了一个方法，将不一致的决策表转化为一致的决策表。重点在于它不仅能保持核心和约简集合不变，而且算法的时间复杂度也比较理想。通过结合数据库系统的集合操作和 SQL，扩展后的算法仍然高效，适合大规模数据。你在类似问题时，可以参考一下这个方法，挺适用的。，如果你在做决策表相关的工作，扩展后的算法给你的项目带来不少好处。

分享一个用于ARIMA模型学习的实践数据集，该数据集关联一篇博客中的代码案例，可用于模型学习和测试。

粒计算是知识表示和数据挖掘的一个重要方法。它模拟人类思考模式，以粒为基本计算单位，以处理大规模复杂数据和信息等建立有效的计算模型为目标。针对具有多粒度标记的不完备序信息系统的知识获取问题，首先介绍了不完备多粒度序信息系统的概念，并在不完备多粒度序信息系统中定义了优势关系，同时给出了由优势关系导出的优势类。进一步定义了基于优势关系的集合的序下近似与序上近似的概念，并讨论了它们性质。

粗糙集是一种针对不确定性数据的数据挖掘理论，邻域粗糙集是处理混合型数据的常用模型。为了提高对混合型数据的抗噪能力，提出一种混合信息系统的变精度粗糙集模型；由于现实环境下信息系统的动态性，进一步提出对象增加和减少时的动态变精度粗糙集模型。首先研究混合信息系统中条件概率随对象增加和减少时的变化关系，然后在该变化关系的基础上提出混合信息系统变精度粗糙集上下近似的增量式更新机制，最后根据这一更新机制提出相应的增量式近似更新算法。实验结果表明，所提出的增量式更新算法比非增量的算法具有更高的计算效率，从而验证了所提出模型的有效性，同时也表明所提出模型更加适用于复杂的数据环境。

数据仓库支持多维数据库和不同类型的存储结构。其中，多维数据集是数据仓库数据的子集，以多维结构组织。定义多维数据集时，需要选择一个事实表和其感兴趣的数值列，再选择提供描述性信息的维度表。

Matlab开发：基于紧致模糊模型的粗糙集与细糙集，创建一种无需转换输入变量的易解释模型。

随着技术进步，我们利用数据挖掘算法基于以上训练集开发了详尽的模型。

MSCKF 的 VIO 融合模型源码，运行环境是 MATLAB，配套还带了完整测试集，适合做研究或学习 SLAM 方向的你。算法原理比较清晰，代码结构也不复杂。对着数据跑一跑，思路就顺了。

如果模型残差无法预测（即为随机的），则改进模型的前景有限。因此，一种评估方法是测试残差是否可以通过实验条件进行预测，从而间接表明改进模型可能需要哪些条件。在不同的实验条件c_i下，残差r_i的不同形式的构造方法可以确定是否可以通过操作条件来调整模型内的参数值来改进模型。对于第i个数据集，r_i=model(data_i,p_i)，我们寻找矩阵关系p_i = A c_i + b_i，其中A的确定通常使b_i为零。通过向c_i向量添加变换（如多项式或样条基函数），可以轻松处理非线性关系。此外，c_i通常包含一个常数项，也可以是矩阵。为了使用有效的线性回归方法，模型在数值上被反转（参见参考资料），以

预测型客户投资的数据集，结构蛮清晰，适合你做分类模型训练或者 A/B 实验建模。每行数据就是两个客户群的对比——用g1_和g2_开头的字段分别两个群体，c_开头的是公共对比特征，的目标字段告诉你哪个群体更赚钱。嗯，做模型的时候别忘了把这些字段分清楚，结构化得还挺方便的。