Konštrukcia opakovateľnej fuzzy klasifikácie

klasifikátora založeného na inicializácii fuzzy zhlukovaní. Najprv je rozanalyzovaná presnosť a povinné podmienky opakovateľnosti. Počiatočný fuzzy klasifikačný systém je identifikovaný použitím fuzzy zhlukovacím algoritmom a počet fuzzy pravidiel je určený meraním správnosti zhluku. Metóda spájania fuzzy množín bola odvodená za účelom zredukovania počiatočného modelu, aby sa zlepšila jeho opakovateľnosť. Genetický algoritmus je použitý na optimalizáciu modelu za účelom zvýšenia presnosti. Tento prístup je aplikovaný do klasifikačného problému testov Iris, pričom výsledky ukazujú jeho správnosť.

Fuzzy systémy boli úspešne použité na rôzne klasifikačné problémy kvôli ich silnej schopnosti zvládania nestálosti a nejasnosti. Pre jednoduchý systém môžeme získať fuzzy klasifikačný systém použitím expertných skúseností, ale pre zložitý systém, kde sú expertné skúsenosti nekompletné, alebo neexistujú, je to veľmi ťažké. Ako modelovať fuzzy klasifikačný systém z dát sa stalo zameraním výskumu v posledných rokoch.

Rôzne techniky vrátane zhlukovacích metód, genetických algoritmov a neuro-fuzzy sietí boli použité na automatické určovanie a učenie sa klasifikačných systémov priamo z dát. Napríklad Abe [1] aplikoval zhlukovacie techniky na to, aby rozdelil označkované dáta pre každú triedu do zhlukov a vybudoval fuzzy pravidlá s eliptickými oblasťami pre každú oblasť. Po nastavení bol vybratý fuzzy klasifikátor s najväčšou mierou rozlíšenia.

Hoci sa všetky tieto technológie zameriavajú na presnosť, ktorá napasuje dáta s čo najväčšou presnosťou, zanedbávajú opakovateľnosť získanej fuzzy klasifikácie, čo je primárnym merítkom fuzzy systémov a je to najdôležitejšia funkcia, ktorá odlišuje fuzzy systémy od ostatných modelov. Za účelom zvýšenia opakovateľnosti fuzzy klasifikačných systémov bolo vyvinutých niekoľko metód.