【摘要】利用变精度模糊粗糙集(VPFRS)模型在属性约简过程中,其结果极易被参数的改变干扰。为克服参数约束,将先验概率引入到文章中,提出一种基于模糊包含度的贝叶斯粗糙集(IDB-BRS)模型,研究了该模型相关性质的同时根据属性相对重要度的启发,给了出基于该模型的属性约简算法。通过在多个UCI数据集上的实验表明,相对于VPFRS而言,IDB-BRS不需要预先给定参数,计算可获得较小的约简和较高的分类精度。