Критерії навчання нечіткого класифікатора на основі відстані між головними конкурентами

Abstract

Класифікація це віднесення об`єкта за деякими ознаками до одного з класів. До класифікації зводяться різноманітні задачі прийняття рішень в інженерії, економіці, медицині, соціології та в інших областях. В нечітких класифікаторах залежність «входи – вихід» описуються за допомогою лінгвістичних правил , антецеденти яких містять нечіткі терми «низький», «середній», «високий» тощо. Для підвищення безпомилковості нечіткий класифікатор навчають за експериментальними даними. В даній роботі 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. Проведені комп`ютерні експерименти із навчання нечіткого класифікатора для розпізнавання трьох сортів італійських вин засвідчили суттєву перевагу нових критеріїв. Серед нових критеріїв помірну перевагу має критерій на основі квадратичної відстані між головними конкурентами з штрафом за помилкове рішення. Нові критерії можуть застосовуватися не лише для навчання нечітких класифікаторів, але і для навчання деяких інших моделей, наприклад, нейронних мереж.

The classification problem is the assignment an object with certain features to one of classes. Various engineering, management, economic,political, medical, sport, and other problems are reduced to classification. In fuzzy classifiers «inputs – output» relation is described by linguistic rules. Antecedents of these rules contain fuzzy terms «low», «average», «high» etc. To increase the correctness it is necessary totune the fuzzy classifier on experimental data. The new criteria for fuzzy classifier learning that take into account the difference ofmembership degrees to the main competitors only are proposed. When the classification is correct, the main competitor of the decision is theclass with the second largest membership degree. In cases of misclassification the wrong decision is the main competitor to the correct class.Computer experiments with learning the fuzzy classifier of 3 kinds of Italian wines recognition showed a significant advantage of the newcriteria. Among new learning criteria the criterion in the form of squared distance between main competitors with the penalty for wrongdecision has minor advantage. New criteria can be used not only for tuning fuzzy classifiers but for tuning some other models, such as neuralnetworks.