机器学习算法通过研究数据中的关系从而提供有用的输出。然而，过去的模型需要完整的数据集作为先决条件。在本研究中，基于粗糙集的机器学习被应用于处理现实世界的不完整数据集，以生成基于关键属性的生物炭吸附能力预测模型。预测模型由满足特定条件的“如果-那么”规则组成，用于分类属性。从完整和不完整数据集生成的规则都表现出较高的确定性、覆盖率和科学一致性。依据完整数据集模型，本研究确定了最佳热解条件、生物质特征和吸附条件，以最大限度地提高生物炭对四环素的吸附能力（>200 mg/g）。该研究表明，基于粗糙集的机器学习能够在现实世界中数据不完整的情况下，不损失关键特性地生成有效预测模型。即使数据集中存在缺失值，该方法也能生成有效的预测模型。总体而言，初步结果表明，将粗糙集机器学习应用于现实世界的不完整数据集以生成生物质和生物炭预测模型颇具前景。不过，在实际应用之前，粗糙集机器学习还需要进一步的改进和测试。
