基于信息熵的属性约简算法是粗糙集理论与信息论有机结合的产物,其中有三种典型的代表算法——基于互信息的知识约简算法(Mutual Information-Based Algorithm for Reduction of Knowledge,MIBARK)将决策表中添加某个属性引起互信息的变化作为启发式信息;基于条件熵的知识约简求核算法(Conditional Entropy-Based Algorithm for Reduction of Knowledge with Computing Core,CEBARKCC)以核属性为起点,不断选择条件熵最小的非核条件属性添加到核属性集;基于条件熵的知识约简非求核算法(Conditional Entropy-Based Algorithm for Reduction of Knowledge Not Computing core,CEBARKNC)以条件属性集为起点,不断删除相对决策属性的条件熵最大的属性。CEBARKCC建立在核属性的基础上,首先确保了必须保留的属性,然后通过条件熵的比较不断添加条件熵值小的属性,以条件熵相等与否判断属性的取舍,它比MIBARK具有更简单的计算步骤,比CEBARKNC 的计算更严谨,因此,CEBARKCC更具有应用研究价值。然而,CEBARKCC只是单纯选用条件熵作为衡量标准,进行简单的添加或删除,致使算法执行效率不高,约简结果不理想。因此,有必要针对CEBARKCC进行改进与研究。本文所作的主要工作如下:1.针对CEBARKCC的不足,本文引入条件熵之差,即以添加某个属性引起条件熵变化的大小作为属性重要度的衡量方式,提出改进算法CEBARKCCI。由此改进算法可以实现较高效的约简过程;通过实验数据对比分析,它在时间效率上比CEBARKCC更优化;2.针对CEBARKCCI增加属性约简的不确定性而使最终约简个数增加的问题,本文提出一种新的属性重要度的度量方法,从而构造出一种新的基于条件熵增益率的属性约简算法。它在原来属性重要度的基础上添加需要选择的属性与决策属性之间的条件熵作为分子,构成分式属性重要度表达形式,改进属性重要度的排序,提高排序的规范性,消除原有算法的取值混乱问题,使其具有普遍适用性。以此新算法进行属性约简可以获得比传统方法更少的约简个数。通过UCI数据库和CTR数据表实验验证分析,此算法可以获得较少的约简结果。