Analysis of criteria for fuzzy classifier learning

Abstract

У нечіткому класифікаторі відображення «входи–вихід» описується лінгвістичними правилами «Якщо–то», антецеденти яких містять нечіткі терми «низький», «середній», «високий» тощо. Для підвищення коректності нечіткий класифікатор навчається за експериментальними даними. Обговорено задачі з однаковою та різною вартістю різних помилок класифікації. Для задач з нерозрізнюваними типами помилок, на додаток до двох відомих критеріїв, запропоновано новий критерій. Новий критерій передбачає, що відстань між бажаним і реальним нечіткими результатами класифікації у випадках хибного рішення зважується штрафним коефіцієнтом. Критерії навчання узагальнено для задач класифікації з матрицею вартостей. Проведені комп’ютерні експерименти із задачами розпізнавання вина та діагностики серцевих захворювань показують, що найкращих якісних параметрів настроювання нечітких класифікаторів досягнуто за новим критерієм навчання.

In a fuzzy classifier, the maping “inputs–output” is described by the linguistic 〈If–then〉 rules, the antecedents in which contain the fuzzy terms “low,” “average,” “high,” and so on. To increase the correctness, the fuzzy classifier is learned by using experimental data. The problems with equal and different costs of various classification errors are discussed. A new criterion is offered for problems with undistinguishable types of errors, in addition to the two known criteria. A new one implies that the distance between the desired and real fuzzy results of classification for the cases of a wrong decision is weighted by the penalty factor. The learning criteria are generalized for problems of classification with the cost matrix. The conducted computer experiments on the wine recognition and heart disease diagnostics problems show that the best quality parameters of tuning fuzzy classifiers are achieved by a new learning criterion.