Proaftn - Proaftn

Proaftn je fuzzy klasifikace metoda, která patří do třídy učení pod dohledem algoritmy. The akronym Proaftn znamená: (PROcédure d'Affectation Floue pour la problématique du Tri Nominal), což znamená v angličtině: Fuzzy Postup přiřazení pro Nominal Třídění.

Metoda umožňuje určit fuzzy indiferenční vztahy zobecněním indexů (shody a nesouladu) použitých v ELEKTRICKÉ Metoda III.[1] K určení fuzzy indiferenčních vztahů používá PROAFTN obecné schéma diskretizace technika popsaná v,[2] která stanoví soubor předem klasifikovaných případů nazývaných tréninková sada.

K vyřešení problémů s klasifikací postupuje společnost Proaftn v následujících fázích:[3]

Fáze 1. Modelování tříd: V této fázi jsou prototypy tříd koncipovány pomocí dvou následujících kroků:

  • Krok 1. Strukturování: Prototypy a jejich parametry (prahové hodnoty, hmotnosti atd.) Jsou stanoveny na základě dostupných znalostí poskytnutých odborníkem.
  • Krok 2. Ověření: K ověření nebo úpravě parametrů získaných v prvním kroku pomocí příkladů přiřazení známých jako tréninková sada používáme jednu ze dvou následujících technik.

Přímá technika: Spočívá v úpravě parametrů pomocí tréninkové sady a s odborným zásahem.

Nepřímá technika: Skládá se z přizpůsobení parametrů bez použití odborného zásahu, jak se používá v strojové učení přístupy.[4][5]

v multikriteriální klasifikace nepřímá technika je známá jako preference dezagregační analýza.[6] Tato technika vyžaduje menší kognitivní úsilí než předchozí technika; používá automatickou metodu k určení optimálních parametrů, které minimalizují chyby klasifikace.

Kromě toho několik heuristika a metaheuristika byly použity k osvojení metody klasifikace více kritérií Proaftn.[7][8]

Fáze 2. Přiřazení: Po vytvoření prototypů pokračuje Proaftn přiřadit nové objekty konkrétním třídám.

Reference

  1. ^ Roy, B. (1996). Vícekriteriální metodika pro pomoc při rozhodování. Dordrecht: Kluwer Academic.
  2. ^ Ching, J.Y. (1995). "Diskretizace závislá na třídě pro indukční učení z dat spojitého a smíšeného režimu". Transakce IEEE na analýze vzorů a strojové inteligenci. 17 (7): 641–651. doi:10.1109/34.391407.
  3. ^ Belacel, N. (2000). "Metoda přiřazení více kritérií PROAFTN: Metodika a lékařské použití". Evropský žurnál operačního výzkumu. 125 (3): 175–83. doi:10.1016 / s0377-2217 (99) 00192-7.
  4. ^ Doumpos, M .; Zopounidis, C. (2011). „Disagregace preferencí a statistické učení pro podporu rozhodování podle více kritérií: přezkum“. Evropský žurnál operačního výzkumu. 209 (3): 203–214. doi:10.1016 / j.ejor.2010.05.029.
  5. ^ Belacel, N .; Rava, H. B.l .; Punnen, A. P. (2007). „Učení metody fuzzy klasifikace metodou více kritérií PROAFTN z dat“. Počítače a operační výzkum. 34 (7): 1885–1898. doi:10.1016 / j.cor.2005.07.019.
  6. ^ Jacquet-Lagrèze, E .; Siskos, J. (2001). "Preference disagregace: Dvacet let zkušeností s MCDA". Evropský žurnál operačního výzkumu. 130 (2): 233–245. doi:10.1016 / s0377-2217 (00) 00035-7.
  7. ^ Al-Obeidat, F .; et al. (2011). „Evoluční rámec využívající optimalizaci částicového roje pro klasifikační metodu PROAFTN“. Applied Soft Computing. 11 (8): 4971–4980. doi:10.1016 / j.asoc.2011.06.003.
  8. ^ Al-Obeidat, f .; et al. (2010). Msgstr "Diferenciální evoluce pro učení metody klasifikace PROAFTN". Znalostní systém. 23 (5): 418–426. doi:10.1016 / j.knosys.2010.02.003.

externí odkazy