КРИТЕРІЇ НАВЧАННЯ НЕЧІТКОГО КЛАСИФІКАТОРА, ЩО ВРАХОВУЮТЬ ПЛАТІЖНУ МАТРИЦЮ

  • С. Д. Д. Штовба Вінницький національний технічний університет
  • О. Д. Панкевич Вінницький національний технічний університет
  • А. В. Нагорна Вінницький національний технічний університет

Анотація

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.

Біографії авторів

С. Д. Д. Штовба, Вінницький національний технічний університет
професор, кафедра комп’ютерних систем управління
О. Д. Панкевич, Вінницький національний технічний університет
аспірантка, кафедра комп’ютерних систем управління
А. В. Нагорна, Вінницький національний технічний університет
доцент кафедри теплогазопостачання

Посилання

1. Штовба С. Д. Порівняння критеріїв навчання нечіткого класифікатора / С. Д. Штовба // Вісник Вінницького полі-
технічного інституту. — 2007. — № 6. — С. 84—91.
2. Scott C. Neyman-Pearson approach to statistical learning / Scott C., Nowak R. A // IEEE Transactions on Information
Theory. — 2005. — Vol. 51, № 11. — P. 3806—3819.
3. Штовба С. Д. Проектирование нечетких систем средствами MATLAB / С. Д. Штовба. — М. : Горячая линия —
Телеком, 2007. — 288 с.
4. Ishibuchi H. Voting in fuzzy rule-based systems for pattern classification problems/ Ishibuchi H., Nakashima T., Morisawa
T. // Fuzzy Sets and Systems. — 1999. — Vol. 103, № 2. — P. 223—238.
5. Rotshtein A. Design and tuning of fuzzy rule–based system for medical diagnosis. In «Fuzzy and Neuro-Fuzzy Systems in
Medicine» (Eds. : Teodorescu N. H., Kandel A., and Jain L. C.) / A. Rotshtein. Boca-Raton : CRC-Press, 1998. — P. 243—289.
6. Shtovba S. Tuning the fuzzy classification models with various learning criteria: the case of credit data classification /
Shtovba S., Pankevich O., Dounias G. // Proc. of Inter. Conference on Fuzzy Sets and Soft Computing in Economics and
Finance. St. Petersburg (Russia), 17—20 June 2004. — Vol. 1. — St. Petersburg : Russian Fuzzy Systems Association, 2004. —
P. 103—110.
7. Растригин Л. А. Адаптация сложных систем. Методы и приложения / Л. А. Растригин. — Рига : Зинатне, 1981. —
375 с.
8. Bache K., Lichman M. UCI Machine Learning Repository [Электронный ресурс] / Bache K., Lichman M. Irvine, CA: University
of California, School of Information and Computer Science. — 2013. — Режим доступу : http://archive.ics.uci.edu/ml.
9. Штовба С. Д. Обеспечение точности и прозрачности нечеткой модели Мамдани при обучении по эксперименталь-
ным данным / С. Д. Штовба // Проблемы управления и информатики. — 2007. — № 4. — С. 102—114.
Як цитувати
Номер
Розділ
Інформаційні технології та комп'ютерна техніка