关键字 |
| 贝叶斯定理，强度，确定性和覆盖因子，流图。 |
我。贝叶斯定理简介 |
| 贝叶斯定理，或相关似然比，是几乎所有从数据中提取信息的过程的关键。贝叶斯定理让我们从测量结果中推断出可能导致这些结果的原因。它将是我们以后大部分模型构建和测试的基础。《加利福尼亚》(2003)是托马斯·贝叶斯牧师(圣安德鲁斯，2003)的作品，关于贝叶斯，人们知道的不多，但他可能有一个独特的特点，他的出版物有三分之二是死后发表的，剩下的三分之一是匿名的。 |
每个决策表描述了当某些条件得到满足时确定的决策(动作、结果等)。换句话说，决策表的每一行都指定了一个根据条件决定决策的决策规则。在 |
 |
2相关工作 |
| 在这篇文章中，我们将说明一个基于印度政府工作选择的想法。在这里，我们选取了1000名考生(X1,X2，.....，X11)，他们正在为印度的政府工作考试做准备。根据一些政府规定，每个候选人必须满足在印度获得政府工作的每一个条件或标准。这些条件是K=知识/智力，C=铸造，D=学位，M=分数百分比，E=考试等级。如果每个标准都满足，候选人将被选为政府工作。在表1中，每个标准的值基于Md=中等，Gd=良好，Vgd=非常好，ST=进度Tribe, SC=进度Cast, Gen=一般，Hnd=身体障碍，OBC=其他落后Cast，及格和不及格。 |
3与表1相关的决策算法 |
| X1)if (k=Md, C= ST, D=Md, M= Md, E=Pass) then(选择决策) |
| X2) if (k=Md, C= Gen, D=Md, M=Md, E=Fail) then(决定被拒绝) |
| X3) if (k=Gd, C= SC, D=Gd, M=，Gd, E=Pass) then(选择决策) |
| X4)if (k=Md, C= Gen, D=Gd, M= Gd, E=Fail)then(决定被拒绝) |
| X5)if (k=Vgd, C= Gen, D=Vgd, M=Vgd, E=Pass) then(选择决策) |
| X6)if (k=Md, C= Gen, D=Vgd, M= Gd, E=Fail) then(决定被驳回) |
| X7)if (k=Vgd, C= Gen, M=Vgd, E=Pass) then(选择决策) |
| X8)if (k=Vgd, C= ST/SC, E=Pass) then(选择决策) |
| X9)if (k=Md, C= Hnd, E=Pass) then(选择决策) |
| X10)if (k=Gd, C= OBC, D=Gd, M=Gd, E=Fail) then(决定被否决) |
| X11)if (k=Gd, C= OBC, D=Vgd, M=Vgd, E=Pass) then(选择决策) |
| 现在让我们在下面计算逆向决策算法: |
| X1 ')if(Decision is Selected) then (k=Md, C= ST, D=Md, M= Md, E=Pass)。 |
| X2 ')如果(决定被拒绝)那么(k=Md, C= Gen, D=Md, M= Md, E=Fail) |
| X3 ') if (Decision is Selected) then(k=Gd, C= SC, D=Gd, M=，Gd, E=Pass) |
| X4 ')如果(决定被拒绝)那么(k=Md, C= Gen, D=Gd, M= Gd, E=Fail) |
| X5 ')if(选择决策)then (k=Vgd, C= Gen, D=Vgd, M=Vgd, E=通过) |
| X6 ')如果(决定被拒绝)那么(k=Md, C= Gen, D=Vgd, M= Gd, E=Fail) |
| X7 ')if(选择决策)then (k=Vgd, C= Gen, M=Vgd, E=Pass) |
| X8 ')if(Decision is Selected) then (k=Vgd, C= ST/SC, E=Pass) |
| X9 ')if(Decision is Selected) then (k=Md, C= Hnd, E=Pass) |
| X10 ')如果(决定被拒绝)那么(k=Gd, C= OBC, D=Gd, M=Gd, E=Fail) |
| X11 ')if(已选择决策)then (k=Gd, C= OBC, D=Vgd, M=Vgd, E=Pass) |
结论 |
| 在本文中，通过以上的讨论，我们可以得出最终的解决方案，在印度获得政府工作，一些标准是最重要的资格考试。关于一些重要的标准，我们得到了“X6, X10,X7,X9”有资格通过考试测试，但X2,X5,X11,X4这些候选人不适合通过考试获得工作，我们通过贝叶斯定理成功实现了目标，实际上是专家进化方法，有助于达成实际决策。 |
表格一览 |
|
|
|
数字一览 |
 |
| 图1 |
|
|
参考文献 |
- 杜达，R.O.和哈特，P.E.模式分类和场景分析，威利，纽约，1973。
- Good, i.j.，《概率估计:现代贝叶斯方法论文》。麻省理工学院出版社，1965年。
- 陈志伟，陈志伟，陈志伟。基于粗糙隶属度和贝叶斯确认测度的参数化粗糙集模型，数学学报，29(4)，2009。
- 姚振华，陈建民，陈建民。基于决策理论粗糙集的博弈风险分析，管理科学学报，2008，(1):1 - 8。
- 赫伯特，J.P.和姚，J.T.博弈论粗糙集，基础信息，2009。
- 波拉克，Z.粗糙集，国际计算机与信息科学杂志，11,341-356,1982。
- Pawlak, Z.粗糙集，数据推理的理论方面，Dordrecht: Kluwer学术出版社，1991年。
- Pawlak, Z.， Wong, S.K.M.和Ziarko, W.粗糙集:概率与确定性的方法，国际人机研究，29,81-95,1988。
- Pawlak, Z.和Skowron, A.粗糙成员函数，在:Yager, r.r.， Fedrizzi, M.和Kacprzyk, J.， Eds。《Dempster-ShaferTheory of Evidence的进展》，John Wiley and Sons，纽约，251-271,1994。
- 刘志伟，刘志伟，刘志伟。粗糙集与贝叶斯因子的关系，粗糙集理论与应用，2005年第1期。
- G. E. P. Box, G. C. Tiao:贝叶斯推断:统计分析，John Wiley and Sons, Inc.，纽约，奇切斯特，布里斯班，多伦多，新加坡，1992
- M. Berthold, D. J. Hand:智能数据分析，导论，斯普林格出版社，柏林，eidelberg，纽约，1999
- Z. Pawlak:粗糙集和决策算法，见:W. Ziarko, Y. Y. Yao(编)，第二届国际会议，粗糙集和当前计算趋势，RSCTC 2000，班夫，加拿大，2000年10月，LNAI 2000, 30-45
- E. W.亚当斯:《条件逻辑:概率在演绎逻辑中的应用》。D.雷德尔出版公司，多德雷赫特，波士顿，1975年
- 贝叶斯:菲尔，这是一篇关于解决概率理论问题的文章。反式。罗伊。Soc。，53.，3.70-418; (1763); Reprint Biometrika 45, 296-315, 1958
- J. M. Bernardo, A. F. M. Smith:贝叶斯理论，概率和数理统计中的威利级数，John Wiley & Sons，奇切斯特，纽约，布里斯班，多伦多，新加坡，1994年。
- Chilin Shih, Greg Kochanski，“贝叶斯定理”，2006年9月15日。
|
菜单
