不确定性度量是机器学习领域中的关键评估工具，它可以度量两个特征子集之间的依赖性和相似性，并可以用来判断特征在分类和聚类算法中的重要性。 在经典的粗糙集中，存在一些不确定性工具来测量特征子集，包括准确性，粗糙度，信息熵，粗糙熵等。这些度量适用于离散值信息系统，但不适用于实值数据集。 在本文中，通过介绍邻域粗糙集模型，每个对象都与一个邻域子集（称为邻域颗粒）相关联。 提出了几种邻域颗粒的不确定性度量，即邻域系统中的邻域精度，信息量，邻域熵和信息粒度。 此外，我们证明了这些不确定性度量满足非负性，不变
