Multiple Fuzzy Classification Systems

طبقه‌بندی‌کننده‌های فازی ابزارهای مهمی در تحلیل داده‌های اکتشافی هستند که مجموعه‌ای حیاتی از روش‌های مورد استفاده در کاربردهای مختلف مهندسی، علمی و تجاری است. طبقه‌بندی‌کننده‌های فازی از قوانین فازی استفاده می‌کنند و به فرضیات مشترک در طبقه‌بندی آماری نیاز ندارند. نظریه مجموعه های خشن زمانی مفید است که مجموعه داده ها ناقص باشند. این یک تقریب رسمی از مجموعه های ترد را با ارائه تقریب پایین و بالایی مجموعه اصلی تعریف می کند. سیستم‌های مبتنی بر مجموعه‌های ناهموار توانایی طبیعی کار بر روی چنین داده‌هایی را دارند و بردارهای ناقص لازم نیست قبل از طبقه‌بندی پیش پردازش شوند. برای دستیابی به عملکرد بهتر نسبت به سیستم‌های یادگیری ماشین موجود، طبقه‌بندی‌کننده‌های فازی و مجموعه‌های خشن را می‌توان در مجموعه‌ها ترکیب کرد. چنین مجموعه‌هایی شامل مجموعه‌ای محدود از مدل‌های یادگیری هستند که معمولاً یادگیرندگان ضعیف هستند.

کتاب حاضر سه زمینه فوق الذکر - سیستم های فازی، مجموعه های خشن و تکنیک های مجموعه را مورد بحث قرار می دهد. از آنجایی که گروه آموزش دیده باید یک فرضیه واحد را نشان دهد، توجه زیادی به امکان ترکیب قوانین فازی از سیستم های فازی که اعضای گروه طبقه بندی هستند، معطوف شده است. علاوه بر این، به لطف تئوری مجموعه‌های خشن، بر مجموعه‌هایی که می‌توانند روی داده‌های ناقص کار کنند، تأکید می‌شود.

Fuzzy classifiers are important tools in exploratory data analysis, which is a vital set of methods used in various engineering, scientific and business applications. Fuzzy classifiers use fuzzy rules and do not require assumptions common to statistical classification. Rough set theory is useful when data sets are incomplete. It defines a formal approximation of crisp sets by providing the lower and the upper approximation of the original set. Systems based on rough sets have natural ability to work on such data and incomplete vectors do not have to be preprocessed before classification. To achieve better performance than existing machine learning systems, fuzzy classifiers and rough sets can be combined in ensembles. Such ensembles consist of a finite set of learning models, usually weak learners.

The present book discusses the three aforementioned fields – fuzzy systems, rough sets and ensemble techniques. As the trained ensemble should represent a single hypothesis, a lot of attention is placed on the possibility to combine fuzzy rules from fuzzy systems being members of classification ensemble. Furthermore, an emphasis is placed on ensembles that can work on incomplete data, thanks to rough set theory.