关键字 |
| 贝叶斯定理、力量、确定性和覆盖率,流图。 |
我。INDTRODUCTION贝叶斯定理 |
| 贝叶斯定理,或相关的似然比,是几乎所有的关键程序从数据中提取信息。贝叶斯定理让我们工作向后deducewhat可能造成测量结果。这将是我们的大部分的基础后模型构建和测试。UCalgary(2003)的工作启托马斯·贝叶斯(柔韧,2003),大约只有少量是已知的,但他或许独特的区别,三分之二的出版物被死后,剩下的第三个匿名。 |
每一个决策表描述了决策(行动、结果等)确定,当满足某些条件。换句话说决策表的每一行指定一个决策规则决定了决策的条件。在 |
 |
二世。相关工作 |
| 在本文中,我们将演示一个想法基于政府工作选择在印度。在这里,我们已经1000考试的候选人(X1, X2,…. ., X11)准备他们在印度政府工作检查。对于一些政府规定每个候选人必须满足每个条件或标准在印度获得政府工作。这些条件是K =知识/情报,C =, D =学位,M =比例的痕迹,E =考试等级。如果每个标准满足候选人将被选中为政府工作。在表一的价值标准基于医学=媒介,Gd =好,Vgd =的话,圣=时间表部落,SC =时间表,创=一般,每日早晚=生理缺陷,OBC =其他落后,通过和失败。 |
三世。表1决策算法与尊重 |
| X1)如果(k = Md, C =圣,医学博士D = M =医学博士,E =通过)然后选择(决定) |
| X2)如果(k = Md, C =创,医学博士D = M =医学博士,E =失败)然后(决定拒绝) |
| X3)如果(k = Gd, C = SC, D = Gd, M =, Gd, E =通过)然后选择(决定) |
| X4)如果(k = Md, C =创,D = Gd, M = Gd, E =失败)然后(决定拒绝) |
| X5)如果(k = Vgd, C =创,D = Vgd M = Vgd, E =通过)然后选择(决定) |
| X6)如果(k = Md, C =创,D = Vgd M = Gd, E =失败)然后(决定拒绝) |
| X7)如果(k = Vgd, C =创,M = Vgd, E =通过)然后选择(决定) |
| ×8)如果(k = Vgd, C =圣/ SC, E =通过)然后选择(决定) |
| X9)如果(k = Md, C =每日早晚,E =通过)然后选择(决定) |
| X10)如果(k = Gd, C = OBC, D = Gd, M = Gd, E =失败)然后(决定拒绝) |
| X11)如果(k = Gd, C = OBC, D = Vgd M = Vgd, E =通过)然后选择(决定) |
| 现在我们计算逆决定算法如下: |
| X1)如果选择(决定),那么(k = Md, C =圣,D = Md,医学博士M = E =通过)。 |
| X2”)如果(决定拒绝),那么(k = Md, C =创,D = Md,医学博士M = E =失败) |
| X3)如果选择(决定),那么(k = Gd, C = SC, D = Gd, M =, Gd, E =通过) |
| X4”)如果(决定拒绝),那么(k = Md, C =创,D = Gd, M = Gd, E =失败) |
| X5)如果选择(决定),那么(k = Vgd, C =创,D = Vgd M = Vgd, E =通过) |
| X6)如果(决定拒绝),那么(k = Md, C =创,D = Vgd M = Gd, E =失败) |
| X7)如果选择(决定),那么(k = Vgd, C =创,M = Vgd, E =通过) |
| ×8”)如果选择(决定),那么(k = Vgd, C =圣/ SC, E =通过) |
| X9)如果选择(决定),那么(k = Md, C =每日早晚,E =通过) |
| X10”)如果(决定拒绝),那么(k = Gd, C = OBC, D = Gd, M = Gd, E =失败) |
| X11)如果选择(决定),那么(k = Gd, C = OBC, D = Vgd M = Vgd, E =通过) |
结论 |
| 本文从上面的讨论,我们可以达到最终的解决方案,获得政府工作在印度一些最重要的资格考试测试标准。关于一些重要的标准我们有“X6, X10, X7 X9”有资格明确考试测试但X2, X5, X11, X4这些候选人资格明显不当的考试让我们成功的工作和实现目标通过贝叶斯定理实际上expertism进化方法有助于达到实际的决定。 |
表乍一看 |
|
|
|
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- 杜达、、、哈特、体育模式分类和场景分析,威利,纽约,1973年。
- 好,I.J.,The Estimation of Probabilities: An Essay on Modern Bayesian Methods. M.I.T. Press. 1965.
- 希腊,S。,Matarazzo, B. and Slowinski, R. Parameterized rough set model using rough membership and Bayesian confirmation measures,International Journal of Approximate Reasoning, 49, 285-300, 2009.
- 赫伯特,摩根大通和姚明,j.t博弈论的风险分析在决策理论粗糙集,诉讼RSKT的08年LNAI 5009年,132 - 139年,2008年。
- 赫伯特,摩根大通和姚明,j.t博弈论的粗糙集,基本Informaticae, 2009。
- pswlak z .粗糙集,计算机和信息科学国际期刊,11日,341 - 356年,1982年。
- pswlak、z .粗糙集理论方面对数据的推理,多德雷赫特:Kluwer学术出版社,1991年。
- pswlak, Z。,Wong, S.K.M. and Ziarko, W. Rough sets: probabilistic versus deterministic approach, International Journal of Man-Machine Studies,29, 81-95,1988.
- pswlak、z和skowron4月份a .粗糙隶属度函数:狙击兵,水银血压计,m和Kacprzyk Fedrizzi J。,Eds。,Advances in the Dempster-ShaferTheory of Evidence, John Wiley and Sons, New York, 251-271, 1994.
- Slezak, d .粗糙集和贝叶斯因子信号交易粗糙集三世,信号3400年,202 - 229年,2005年。
- g . e . p .盒子,g . c .挑:贝叶斯推理:统计分析,约翰·威利和儿子,Inc .,纽约,奇切斯特,布里斯班,多伦多,新加坡,1992年
- 贝特·m·d·j·手:智能数据分析、介绍,斯普林格出版社,柏林,eidelberg,纽约,1999年
- pswlak z:粗糙集和决策算法,在:w . Ziarko y y姚明(eds),第二次国际会议,粗糙集和当前的趋势在计算,RSCTC 2000年,班夫,加拿大,2000年10月,2000年LNAI, 30 - 45
- e·w·亚当斯:条件语句的逻辑,应用概率的演绎逻辑。多德雷赫特d Reidel出版公司,1975年波士顿
- 贝叶斯:一篇文章向理论解决问题的机会,菲尔。反式。罗伊。Soc。,53,370-418; (1763); Reprint Biometrika 45, 296-315, 1958
- j . m . Bernardo a·f·m·史密斯:贝叶斯理论,威利系列在概率论与数理统计,约翰威利& Sons,奇切斯特,纽约,布里斯班,多伦多,新加坡,1994年。
- 格雷格•Kochanski Chilin施,“贝叶斯定理”,9月15日,2006年。
|
菜单
