?
Многоуровневая модель представления данных и алгоритм поиска ассоциативных закономерностей в условиях неопределенности
Проблема извлечения знаний из больших массивов данных, характерных для медицины, финансов и промышленности, осложняется неполнотой значений атрибутов. Существующие методы удаления объектов или импутирования значений искажают истинные паттерны, что при обработке данных приводит к неверным выводам. Цель настоящей работы – разработка математически строгого подхода, позволяющего выявлять интерпретируемые нечеткие ассоциативные правила в условиях неопределенности и пропуска отдельных значений. Результатами исследования являются многоуровневая модель нечеткого представления данных (МНПД), базирующаяся на концепции функции присутствия и разработанный на её основе алгоритм поиска нечетких ассоциативных правил в условиях неполных данных (Fuzzy Association Rule Mining with Incomplete Data, ФАРМ-ИНД), который интегрирует обработку пропусков в механизм вычисления нечеткой поддержки. Научная новизна заключается в сочетании этих элементов и внедрении интегрального критерия значимости (ИКЗ), объединяющего поддержку, достоверность и семантическую связность. Доказана антимонотонность нечеткой поддержки, полнота и точность алгоритма поиска. Экспериментально показано, что при доле пропусков атрибутов 30% ФАРМ-ИНД восстанавливает до 88% истинных правил, значительно превосходя результаты при удалении или импутировании. Это обеспечивает критически важный инструмент и практическую значимость для систем поддержки принятия решений в реальных условиях цифровой трансформации.