Критерії навчання нечіткого класифікатора, що враховують платіжну матрицю

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 за експериментальними даними. Узагальнено критерії навчання нечіткого класифікатора на випадок платіжної матриці, в якій записані вартості помилок різних типів. Комп’ютерні експерименти із розв’язання задачі діагностики хвороби серця показали, що найкращу якість настроювання забезпечує використання критерію навчання, в якому відстань між нечіткими результатами логічного виведення та експериментальними даними для випадків помилкової класифікації зважується штрафним коефіцієнтом.

В нечетких классификаторах связь «входы—выход» описывается лингвистическими правилами «Если — то», антецеденты которых содержат нечеткие термы «низкий», «средний», «высокий» и т. п. Для повышения безошибочности нечеткий классификатор обучают по экспериментальным данным. В статье обобщены критерии обучения нечеткого классификатора на случай платежной матрицы, в которой записаны стоимости ошибок разных типов. Компьютерные эксперименты по решению задачи диагностики заболеваний сердца показали, что наилучшее качество настройки обеспечивает использование критерия обучения, в котором расстояние между нечеткими результатам логического вывода и экспериментальными данными в случае ошибочной классификации взвешивается штрафным коэффициентом.

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. The paper extends the criteria for training fuzzy classifier to the case of the cost matrix, which consist of costs of the different types of errors. Computer experiments on the task of heart disease diagnosis have shown that the best quality setting enables the use of the training criterion, in which the distance between the fuzzy inference results and experimental data for the cases of misclassification is multiplied by penalty coefficient.