Abstract: 近部(Nearest Neighbor,NN)算法是一种简单实用的监督分类算法。但NN算法在分类未知类标的样例时， 需要存储整个训练集，还要计算该样例到训练集中每一个样例之间的距离，所以NN算法的计算复杂度非常高。为了 克服这一缺点，P. Hart提出了压缩近部(Condensed Nearest Neighbor, CNN)规则算法，即从整个il}练集中找原样例 集的一致子集(一致子集是能正确分类训练集中其他样例的子集)。其计算复杂度依然比较高，特别是对于大型数据 库，寻找其一致子集是非常耗费时间的。针对这一问题，提出了基于粗糙集技术的压缩近部规则算法。该算法分为3 步，首先利用粗糙集方法求属性约简(特征选择)，以将冗余的属性去掉。然后选取靠近边界域的样例，以将冗余的样 例去掉。最后从选出的样例中计算一致子集。该算法能同时沿垂直方向和水平方法进行数据约简。实验结果显示， 所提出的方法是行之有效的。

Key words: Nearest neighbor rules, Consistent set, Instance selection, Rough sets, Boundary regions