通过整合 Shannon 熵与粗糙集理论泛化机器学习评估

本文深入探讨了 Shannon 熵与粗糙集理论的创新整合，提出了一种泛化机器学习评估方法的新途径。熵的传统应用主要关注信息不确定性，通过将其与粗糙集理论相结合，扩展了对数据内在结构和机器学习模型可解释性的深入洞察。我们引入了一个综合框架，该框架将粗糙集理论的粒度与 Shannon 熵的不确定性量化相协同，并应用于多种机器学习算法。我们的方法在多个数据集上进行了严格测试，展示了其不仅能评估预测性能，还能阐明底层数据复杂性和模型鲁棒性的能力。结果强调了这种整合方法在增强机器学习评估方面的效用，提供了一种多视角的观点，在准确性与对数据属性和模型动态的深刻理解之间取得平衡。本文为机器学习评估贡献了开创性的视角，提出了一种包含模型性能整体视图的方法，从而促进了在模型选择和应用中更明智的决策。