运用粗糙集理论的方法进行系统综合评估一般分为两个阶段：

第一阶段是学习阶段或训练阶段，就是根据样本数据（或称为历史数据）进行学习，从而提炼过程知识，形成评估规则，为评估做准备。

第二阶段是应用阶段，即应用所形成的评估规则进行系统综合评估，如图8.2所示。对系统进行综合评估与决策过程非常类似，可以把决策表看作评估系统，评估结果就对应着决策属性。因此从本质上讲，系统综合评估就是一个分类过程，而粗糙集理论能有效地处理这类分类问题。

图8.2　基于粗糙集的系统综合评估模型结构

对于粗糙集而言，所处理的属性值必须是离散化的数据，然而，如果当输出是连续数据时，在应用时必须对数据进行离散化处理。

现有的离散化方法包括等距离划分算法、等频率划分算法、Naïve Scaler算法、Semi Naïve Scaler算法、布尔逻辑和Rough集理论相结合的离散化算法、基于断点重要性的离散化算法等。

等频率划分算法是根据用户给定的参数k把m个对象分成段，每段中有m/k个对象。假设某个属性的最大属性值为x_max，最小属性值为x_min，用户给定的参数为k，则需要将这个属性在所有实例上的取值按从小到大进行排列，然后进行平均划分为k段即得到断点集。每两个相邻断点包含的属性值的个数是相等的。

等距离划分算法是在每个属性上，根据用户给定的参数来把属性值简单地划分为距离相等的断点段，不考虑每个断点中属性值个数的多少。假设每个属性的最大属性值为x_max，最小属性值为x_min，用户给定的参数为k，则断点间隔为δ＝（x_max－x_min）/k。由此得到此属性上的k＋1个断点值x_min＋iδ（i＝0，1，2，…，k），断点之间的距离都等于断点间隔。

例如有下列15个连续性数据：｛0.02，0.48，0.12，0.08，0.40，0.05，0.06，0.10，0.42，0.05，0.11，0.08，0.47，0.43，0.03｝，给定参数k＝3，则依等频率划分算法可知0.02～0.06为第一个等级，0.08～0.12为第二个等级，0.4～0.48为第三个等级，据此可得到离散值为｛1，3，2，2，3，1，1，2，3，1，2，2，3，3，1｝。依等距离划分算法可知，0.02～0.17为第一个等级，0.17～0.32为第二个等级，0.32～0.48为第三个等级，据此得到的离散值为｛1，3，1，1，3，1，1，1，3，1，1，1，3，3，1｝。