КРИТЕРІЇ НАВЧАННЯ НЕЧІТКОГО КЛАСИФІКАТОРА, ЩО ВРАХОВУЮТЬ ПЛАТІЖНУ МАТРИЦЮ
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.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.
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.
##submission.downloads##
-
PDF
Завантажень: 41
Переглядів анотації: 88
Як цитувати
[1]
С. Д. Д. Штовба, О. Д. Панкевич, і А. В. Нагорна, «КРИТЕРІЇ НАВЧАННЯ НЕЧІТКОГО КЛАСИФІКАТОРА, ЩО ВРАХОВУЮТЬ ПЛАТІЖНУ МАТРИЦЮ», Вісник ВПІ, вип. 6, с. 84–90, Груд. 2013.
Номер
Розділ
Інформаційні технології та комп'ютерна техніка
Ліцензія
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
