Induction and Fuzzification of Classification Rules
Seiten
2009
|
1., Aufl.
Cuvillier, E (Verlag)
9783869551869 (ISBN)
Cuvillier, E (Verlag)
9783869551869 (ISBN)
- Titel ist leider vergriffen;
keine Neuauflage - Artikel merken
Die Fähigkeit neue Dinge zu erlernen ist eine der Haupteigenschaften intelligenten Verhaltens. Dies ermöglicht uns Menschen Muster zu erkennen und gemäß diesen zu verallgemeinern. Wir lernen das Fahrradfahren, das Klavierspielen, eine Fremdsprache zu beherrschen und vieles mehr. Sobald aber der Umfang der Informationen überhand nimmt, sind wir nicht mehr in der Lage die Muster zu finden. An dieser Stelle kommen Computer ins Spiel.
Sie sind vielleicht noch nicht in der Lage die oben genannten Beispiele zu erlernen, aber dafür können sie mit vielen Zahlen umgehen. Tatsachlich gibt es spezielle Lernaufgaben, die ein Computer sehr effektiv handhaben kann.
Die Disziplin, in der solche intelligente Algorithmen gesucht werden, heißt ‚Maschinelles Lernen‘. Eine anspruchsvolle Aufgabe aus diesem Bereich ist das überwachte Lernproblem des Klassifizierens: Hierbei soll aus zu unterschiedlichen Klassen zugeordneten Beispielen ein generalisierendes Schema abgeleitet werden, mit dem die Klassifikation neuer Beispiele möglich wird.
Da diese Aufgabenstellung sehr allgemein gehalten ist, kann jedes entsprechende Problem mit einem Klassifikationsalgorithmus gelöst werden, beispielsweise das Diagnostizieren einer Krankheit, das Vorhersagen ob Schulden nicht beglichen werden oder die Erkennung handgeschriebener Ziffern. Für diese Art von Vorhersage wurden verschiedene Algorithmen entworfen.
Ein klassischer Ansatz, dieses Problem zu lösen, ist der Einsatz von Klassifikationsregeln. Diese bestehen aus zwei Teilen: Der Antezedens als konditionellem Ausdruck und der Konsequenz als Klassenzuweisung. Wahrend für eine konventionelle Klassifikationsregel die Antezedens aus Bedingungen an die Attribute besteht, enthalt die Antezedens einer unscharfen Fuzzy-Klassifikationsregel linguistisch interpretierbare Fuzzy-Mengen. Letztere werden mit Hilfe von fuzzy-logischen Operatoren verknüpft. Der Kern der regelbasierten Ansätze ist das verständliche Schlussfolgern. Dies ist eine unschätzbare Eigenschaft, wenn ein menschlicher Experte der Vorhersage vertrauen muss. Er kann einschreiten, wenn die Schlusse nicht sinnvoll sind. Dies gilt ganz besonders für die linguistischen Fuzzy-Regelklassifizierer, welche als besonders interpretierbar und verständlich gelten. Die Entwicklung von konventionellen und unscharfen Regellernern verlief bisher jedoch unabhängig voneinander. Während die Unterscheidungsfähigkeit im Fokus für die konventionellen stand, war die Interpretierbarkeit die bedeutendste Design-Maxime für die linguistischen Ansätze.
Der Zweck dieser Dissertation ist das Vereinen der wissenschaftlichen Felder des konventionellen und unscharfen Regellernens. Um dieses Ziel zu erreichen, wird das beste beider Felder in drei neuen Algorithmen kombiniert.
Zwei davon — der FURIA- und der FR3-Algorithmus — kombinieren neue Fuzzy-Methoden mit einer erweiterten Variante des ursprünglichen RIPPERRegellerners. Der dritte, der HELLFIRE-Algorithmus, ist ein neuer linguistischer Fuzzy-Regellerner. Er lernt die Regeln mit Hilfe eines neuen Diskretisierungssystems und Grenzaufweichungsverfahrens.
Der FURIA-Algorithmus ist in der Lage, gut klassifizierende Fuzzy-Regelsatze effizient zu lernen. Die Hauptbeitrage von FURIA sind (A) eine neue datengetriebene Technik um Regelgrenzen aufzuweichen, was zu besseren Entscheidungen in Grenzregionen fuhrt und (B) eine neue effiziente Methode, die Regeln zu dehnen, wenn die zu klassifizierende Instanz von keiner Regel überdeckt wird. Der FR3-Klassifizierer baut auf FURIA auf, aber hat die Fähigkeit, verschiedene Arten von Unsicherheiten zu unterscheiden.
Für jede zu klassifizierende Instanz erzeugt er anhand der Uberdeckungsgrade eine Fuzzy-Praferenzstruktur, die zwischen Konflikt und Ignoranz —als Auspragungen von Unsicherheit — unterscheiden kann. Als Ergänzung zu diesen Verfahren erzeugt der HELLFIRE-Algorithmus linguistische Fuzzy- Regel-Modelle. Dies geschieht anhand einer innovativen Strategie, die sowohl eine Diskretisierung als auch Regeln gleichzeitig lernt. Das Produkt sind konventionelle, rasterbasierte Regeln, die mit einem Verfahren — ähnlich denen
von FURIA und FR3 — fuzzyfiziert gemacht werden. Der Hintergrund aller drei Fuzzyfizierungsstrategien ist es Regeluberlappungsgrade zu bestimmen, die mit der Sicherheit der Regel übereinstimmen.
Die neuen Fuzzifieriungstechniken verbessern die Vorhersagegute der bisher konventionellen Klassifizierer. Dies liegt an den weichen Regelgrenzen, die flexibler und zuverlässiger sind. Alle drei Algorithmen sind — in Bezug auf Klassifikationsgute und Rangordnungsgute — ähnlich oder überlegen zu modernen konventionellen und unscharfen Regellernern. Das Ergebnis ist beachtenswert: Konventionelle Regellerntechniken und Fuzzy-Methoden bilden eine fruchtbare Kombination. Obwohl diese Methoden sowohl in der Fuzzy- und der Machine-Learning-Gemeinde seit Jahren untersucht werden, ist dies die erste fundierte Untersuchung einer Vereinigung beider Felder.
Sie sind vielleicht noch nicht in der Lage die oben genannten Beispiele zu erlernen, aber dafür können sie mit vielen Zahlen umgehen. Tatsachlich gibt es spezielle Lernaufgaben, die ein Computer sehr effektiv handhaben kann.
Die Disziplin, in der solche intelligente Algorithmen gesucht werden, heißt ‚Maschinelles Lernen‘. Eine anspruchsvolle Aufgabe aus diesem Bereich ist das überwachte Lernproblem des Klassifizierens: Hierbei soll aus zu unterschiedlichen Klassen zugeordneten Beispielen ein generalisierendes Schema abgeleitet werden, mit dem die Klassifikation neuer Beispiele möglich wird.
Da diese Aufgabenstellung sehr allgemein gehalten ist, kann jedes entsprechende Problem mit einem Klassifikationsalgorithmus gelöst werden, beispielsweise das Diagnostizieren einer Krankheit, das Vorhersagen ob Schulden nicht beglichen werden oder die Erkennung handgeschriebener Ziffern. Für diese Art von Vorhersage wurden verschiedene Algorithmen entworfen.
Ein klassischer Ansatz, dieses Problem zu lösen, ist der Einsatz von Klassifikationsregeln. Diese bestehen aus zwei Teilen: Der Antezedens als konditionellem Ausdruck und der Konsequenz als Klassenzuweisung. Wahrend für eine konventionelle Klassifikationsregel die Antezedens aus Bedingungen an die Attribute besteht, enthalt die Antezedens einer unscharfen Fuzzy-Klassifikationsregel linguistisch interpretierbare Fuzzy-Mengen. Letztere werden mit Hilfe von fuzzy-logischen Operatoren verknüpft. Der Kern der regelbasierten Ansätze ist das verständliche Schlussfolgern. Dies ist eine unschätzbare Eigenschaft, wenn ein menschlicher Experte der Vorhersage vertrauen muss. Er kann einschreiten, wenn die Schlusse nicht sinnvoll sind. Dies gilt ganz besonders für die linguistischen Fuzzy-Regelklassifizierer, welche als besonders interpretierbar und verständlich gelten. Die Entwicklung von konventionellen und unscharfen Regellernern verlief bisher jedoch unabhängig voneinander. Während die Unterscheidungsfähigkeit im Fokus für die konventionellen stand, war die Interpretierbarkeit die bedeutendste Design-Maxime für die linguistischen Ansätze.
Der Zweck dieser Dissertation ist das Vereinen der wissenschaftlichen Felder des konventionellen und unscharfen Regellernens. Um dieses Ziel zu erreichen, wird das beste beider Felder in drei neuen Algorithmen kombiniert.
Zwei davon — der FURIA- und der FR3-Algorithmus — kombinieren neue Fuzzy-Methoden mit einer erweiterten Variante des ursprünglichen RIPPERRegellerners. Der dritte, der HELLFIRE-Algorithmus, ist ein neuer linguistischer Fuzzy-Regellerner. Er lernt die Regeln mit Hilfe eines neuen Diskretisierungssystems und Grenzaufweichungsverfahrens.
Der FURIA-Algorithmus ist in der Lage, gut klassifizierende Fuzzy-Regelsatze effizient zu lernen. Die Hauptbeitrage von FURIA sind (A) eine neue datengetriebene Technik um Regelgrenzen aufzuweichen, was zu besseren Entscheidungen in Grenzregionen fuhrt und (B) eine neue effiziente Methode, die Regeln zu dehnen, wenn die zu klassifizierende Instanz von keiner Regel überdeckt wird. Der FR3-Klassifizierer baut auf FURIA auf, aber hat die Fähigkeit, verschiedene Arten von Unsicherheiten zu unterscheiden.
Für jede zu klassifizierende Instanz erzeugt er anhand der Uberdeckungsgrade eine Fuzzy-Praferenzstruktur, die zwischen Konflikt und Ignoranz —als Auspragungen von Unsicherheit — unterscheiden kann. Als Ergänzung zu diesen Verfahren erzeugt der HELLFIRE-Algorithmus linguistische Fuzzy- Regel-Modelle. Dies geschieht anhand einer innovativen Strategie, die sowohl eine Diskretisierung als auch Regeln gleichzeitig lernt. Das Produkt sind konventionelle, rasterbasierte Regeln, die mit einem Verfahren — ähnlich denen
von FURIA und FR3 — fuzzyfiziert gemacht werden. Der Hintergrund aller drei Fuzzyfizierungsstrategien ist es Regeluberlappungsgrade zu bestimmen, die mit der Sicherheit der Regel übereinstimmen.
Die neuen Fuzzifieriungstechniken verbessern die Vorhersagegute der bisher konventionellen Klassifizierer. Dies liegt an den weichen Regelgrenzen, die flexibler und zuverlässiger sind. Alle drei Algorithmen sind — in Bezug auf Klassifikationsgute und Rangordnungsgute — ähnlich oder überlegen zu modernen konventionellen und unscharfen Regellernern. Das Ergebnis ist beachtenswert: Konventionelle Regellerntechniken und Fuzzy-Methoden bilden eine fruchtbare Kombination. Obwohl diese Methoden sowohl in der Fuzzy- und der Machine-Learning-Gemeinde seit Jahren untersucht werden, ist dies die erste fundierte Untersuchung einer Vereinigung beider Felder.
| Sprache | englisch |
|---|---|
| Einbandart | kartoniert |
| Themenwelt | Mathematik / Informatik ► Informatik |
| Schlagworte | Hardcover, Softcover / Informatik, EDV |
| ISBN-13 | 9783869551869 / 9783869551869 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Buch | Softcover (2024)
BILDNER Verlag
CHF 55,85
Schritt für Schritt einfach erklärt
Buch | Hardcover (2024)
Markt + Technik (Verlag)
CHF 20,90
das Praxishandbuch
Buch | Hardcover (2024)
Markt + Technik Verlag
CHF 27,90
