Формирование базы правил для нечеткого классификатора

Экспертные системы на основе данных часто применяются для решения задач классификации в различных областях, таких как, обнаружение неисправностей, биологии и медицине. Нечеткая логика может улучшить системы классификаций и поддержки принятия решений благодаря использованию нечетких множеств для определения перекрывающихся классов. Нечеткие правила если-то улучшают интерпретируемость результатов и обеспечивают более глубокое понимание сути процесса классификации. Мы ориентируемся на извлечение из наблюдаемых данных нечетких классификаторов, основанных на правилах. Основанная на имеющихся данных, идентификация таких классификаторов имеет дело с проблемами определения оптимальной структуры базы правил и эффективного разделения области входных переменных. Большая роль в нечетком классификаторе уделяется свойству интерпретируемости, которое обеспечивает «прозрачность» вывода о принадлежности к классу.

К автоматизированному составлению нечетких правил классификации на основе имеющихся данных приблизились различные методы как, например, нейро-нечеткие методы, выбор правила, основанный на генетическом алгоритме, и нечеткие кластеризации в комбинации с другими методами, такими как нечеткие отношения и генетический алгоритм оптимизации. Традиционно алгоритмы для получения классификаторов были сосредоточены либо на точности, либо на интерпретируемости. В последнее время появились некоторые подходы к объединению этих свойств.

В этой работе описывается подход, который ссылается как на точность, так и на интерпретируемость. Компактные, точные и поддающиеся толкованию нечеткие классификаторы, основанные на правилах, получены из наблюдаемых данных в рамках итерационного подхода. Начальная модель получается из наблюдаемых данных. Затем, применяется выбор особенности и метод упрощения базы правил, чтобы уменьшить первоначальную модель.

Наконец, применяется закодированный генетический алгоритм, чтобы оптимизировать параметры моделей, для того, чтобы улучшить точность классификаций. Генетический алгоритм может также быть применен в цикле вместе с упрощением базы правил. В этом случае он использует задачу с большим количеством критериев, чтобы искать не только точную, но и избыточную модель. Эта избыточность затем используется для сокращения и упрощения базы правил. Наконец, генетический алгоритм применяется с целевой функцией, где избыточность подавляется для того, чтобы сделать правила более различимыми соблюдая точность. В результате получается компактная база нечетких правил с низким уровнем сложности и высокой точностью классификации. На Рис. 2 представлен процесс проектирования нечеткого классификатора.