基于粗糙集的人力资源评价的规则挖掘

《基于粗糙集的人力资源评价的规则挖掘》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于粗糙集的人力资源评价的规则挖掘摘要应用粗糙集理论和区分矩阵来挖掘各因素规则的方法对一个人力资源评价的例子进行分析和处理，挖掘评价规则，并从客观的数据中得出了各主要因素的客观权重。关键词粗糙集;人力资源;规则;权重1前言粗糙集（Roughsets）理论是一种处理模糊、不精确的分类问题的新型数学工具。粗糙集理论已成为当前数据挖掘的主要方法之一，其主要思想是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。该理论已被成功地应用于机器学习、决策分析、过程控制、模式识别与数据挖掘领域。人力资源是指社会所拥有的能为社会创造价值的人力或劳动力,其本质是人的能力而不是人本身

2、,人力资源的价值在于人掌握的知识和技能,在于人为社会创造价值的能力。人力资源评价就是通过分析影响人力资源价值的主要因素,结合一定的评价方法,进而得出一个综合评价值的过程。2粗糙集处理的基本步骤及算法⑴收集和整理数据，组成信息表。⑵数据预处理。将数据库中的初始数据信息进行分类、聚类分析以及使某些属性的连续值离散化，转换为粗糙集形式，明确条件属性和决策属性。⑶属性约简，根据预处理后的数据信息表生成区分矩阵，利用区分矩阵法生成约简属性集。区分矩阵（DiscernibilityMatrix）是由波兰华沙大学的著名数学家skoij={aC:a(xi)a(xj)}elseM=M∪{mij}②

3、得到CORE;i=1;CORED(C)=Φ;从头取M中元素，若为单一属性组合则将该属性加入CORED(C)，③进行属性约简从M中删除含有核属性的组合。Q＝{cij∣cij∩CORED(C)=Φ,且cij≠0}P＝∧（∨cij）将P转换为析取范式的形式P=∨（∧ci*）ci*为约简的属性集合④一约简的属性集合ci*，对每一个规则求核属性for(j=1;j++;j≤m)　　（m为每个规则的属性个数）　每次假设从规则中去掉一个属性aj　if不存在不可分辨的规则　　　　then去掉该属性　elseaj为该规则的属性核值⑤根据每一规则的核值，列出约简的规则集合。若对每一个对应的决策值该规则

4、组合是既约的且在系统中为真时为约简规则。⑹求出各约简属性的权重。通常情况下，决策者会拥有对各个条件属性的先验知识，权重用来衡量属性的相对重要性。在不同的决策环境下，相同的属性对决策输出会有不同的影响，即权重对环境敏感。粗集理论中的属性重要度表达了当前数据环境下属性对决策的影响，但它不能反映决策者的先验知识。因此，将二者结合起来确定属性的权重可以得到比较理想的结果。这样我们将粗集理论同决策者的先验知识结合起来，即将由大量的历史数据确定出来的客观的属性重要度同由主观的先验知识确定的属性权重结合起来确定最终的综合权重，从而实现主观先验知识同客观情况的统一。我们假设系统中的条件属性为C，

5、决策属性为D。在C中有n个属性a1,a2,…,an。由决策者先验知识给定的权重分别为p(a1),p(a2),…,p(an)。然后收集大量的评价样本，由这些样本数据来考察所有条件属性将样本划分为决策类的分类能力，并由决策属性对条件属性的依赖度rC(D)=Card(posC(D))/Card(U),其中Card表示集合的基数。然后去掉条件属性i后，在重新考虑分类情况，求出rC－i(D)=Card(posC－i(D))/Card(U)，则属性i的重要度为rC(D)－rC－i(D)，以此类推。在此基础上将各个属性的重要度进行归一化处理并把处理后的结果q（ai）作为属性i的客观权重。即q（

6、ai）＝。显然，q（ai）在0和1之间取值。得到各个属性的主观和客观权重后，由于客观权重是由历史数据处理后得到的，我们赋予其较大的权重为60％，相应地，赋予主观权重为40％，那么，由此确定的综合权重P（ai）＝0.6×p(ai)+0.4×q（ai）。3应用实例⑴数据采集。在人力资源评价中，各属性值用3，2，1分别表示“优，中，差”。指标对象知识量a创新能力b交流能力c适应能力d毕业院校e健康状况f心理承受能力g进取欲望h评定结果i1112223332211121132132321121234121212111531222333362232233337221131222823331

7、2233⑵使用区分矩阵进行属性约简，建立区分矩阵如下1234567810cefhabdefghbcefghaabc0abcdefg20abcdfg0acefhabcefhabdegabcdfgh30abcdh00bcefg040abcefghacefghadefghabcdgh500abcdefgh060cdefgh070bcdefh80从区分矩阵可以看出，a为核属性，因此可以获得Q＝（c∨e∨f∨h）∧(b∨c∨e∨f∨g∨h)∧(b∨c∨e∨f∨g)∧(c∨d∨e∨f∨g∨h