Навчання нечіткого класифікатора з урахуванням лише головних конкурентів

Abstract

В нечітких класифікаторах зв’язок «входи—вихід» описується лінгвістичними правилами "Якщо—тоді", антецеденти яких містять нечіткі терми «низький», «середній», «високий» тощо. Для підвищення безпомилковості нечіткий класифікатор навчають по експериментальних даних. Запропоновано нові критерії навчання нечіткого класифікатора, які враховують різницю належностей нечіткого висновку лише до головних конкурентів. За правильної класифікації головним конкурентом прийнятого рішення є клас, що має другий за величиною ступінь належності. У випадку неправильної класифікації помилково прийняте рішення є головним конкурентом правильного класу. Комп’ютерні експерименти з настроювання нечіткого класифікатора для UCI-задачі з розпізнавання італійських вин засвідчили суттєву перевагу нових критеріїв навчання. Нові критерії навчання можуть застосовуватися не лише для настроювання нечітких класифікаторів, але і деяких інших моделей, наприклад, нейронних мереж.

The tie "input—output" is described by linguistic «if—then» rules where antecedents contain fuzzy terms "low", "medium", "high" in the fuzzy classifiers. To enhance the correctness it is necessary to train fuzzy classifier on experimental data. There have been proposed new criteria for fuzzy classifier training that take into account the difference of fuzzy output only to the main competitors. When the classification is correct the main competitor of the decision is the class with the second largest degree of membership. In cases of misclassification erroneous decision is the main competitor to the correct class. Computer experiments with the tuning up of a fuzzy classifier for UCI-problem of recognition of Italian wines showed a significant advantage of the new training criteria. New criteria of training can be used not only for tuning fuzzy classifiers but for some other models, such as neural networks.

В нечетких классификаторах связь "входы—выход" описывается лингвистическими правилами "Если—то", антецеденты которых содержат нечеткие термы "низкий", "средний", "высокий" и т. п. Предложены новые критерии обучения нечеткого классификатора, учитывающие разницу принадлежностей нечеткого вывода только к главным конкурентам. При правильной классификации главным конкурентом принятого решения является класс со второй по величине степенью принадлежности. В случаи неправильной классификации ошибочно принятое решение является главным конкурентом правильного класса. Компьютерные эксперименты по настройке нечеткого классификатора для UCI-задачи распознавания итальянских вин показали существенное преимущество новых критериев обучения. Новые критерии обучения могут применяться не только для настройки нечетких классификаторов, но и некоторых других моделей, например, нейронных сетей.