Proaftn - Proaftn

Proaftn это нечеткая классификация метод, принадлежащий к классу контролируемое обучение алгоритмы. В акроним Proaftn означает: (PROcédure d'Affectation Floue pour la problématique du Tri Nominal), что на английском языке означает: Нечеткое Порядок присвоения номинала Сортировка.

Метод позволяет определять нечеткие отношения безразличия путем обобщения показателей (согласованности и несогласованности), используемых в ВЫБОР III способ.[1] Для определения нечетких отношений безразличия PROAFTN использует общую схему дискретизация техника, описанная в,[2] который устанавливает набор предварительно классифицированных случаев, называемый обучающим набором.

Для решения проблем классификации Proaftn переходит к следующим этапам:[3]

Этап 1. Моделирование классов. На этом этапе прототипы классов создаются в два следующих этапа:

  • Шаг 1. Структурирование: прототипы и их параметры (пороговые значения, веса и т. Д.) Устанавливаются с использованием имеющихся знаний, предоставленных экспертом.
  • Шаг 2. Проверка. Мы используем один из двух следующих методов для проверки или корректировки параметров, полученных на первом этапе с помощью примеров назначения, известных как обучающий набор.

Прямая методика: она заключается в настройке параметров с помощью обучающей выборки и вмешательства специалиста.

Косвенный метод: он заключается в подборе параметров без вмешательства специалиста, как в машинное обучение подходы.[4][5]

В многокритериальная классификация проблема, косвенный метод известен как дезагрегационный анализ предпочтений.[6] Этот метод требует меньше когнитивных усилий, чем предыдущий; он использует автоматический метод определения оптимальных параметров, которые минимизируют ошибки классификации.

Кроме того, несколько эвристика и метаэвристика были использованы для изучения метода многокритериальной классификации Proaftn.[7][8]

Этап 2. Назначение: После создания прототипов Proaftn приступает к назначению новых объектов определенным классам.

Рекомендации

  1. ^ Рой, Б. (1996). Многокритериальная методология принятия решений. Дордрехт: Kluwer Academic.
  2. ^ Чинг, Дж. (1995). «Класс-зависимая дискретизация для индуктивного обучения из непрерывных и смешанных данных». IEEE Transactions по анализу шаблонов и машинному анализу. 17 (7): 641–651. Дои:10.1109/34.391407.
  3. ^ Беласел, Н. (2000). «Метод многокритериального назначения ПРОАФТН: Методология и медицинское применение». Европейский журнал операционных исследований. 125 (3): 175–83. Дои:10.1016 / s0377-2217 (99) 00192-7.
  4. ^ Doumpos, M .; Зопунидис, К. (2011). «Дезагрегирование предпочтений и статистическое обучение для поддержки многокритериальных решений: обзор». Европейский журнал операционных исследований. 209 (3): 203–214. Дои:10.1016 / j.ejor.2010.05.029.
  5. ^ Belacel, N .; Rava, H. B.l; Пуннен, А. П. (2007). «Изучение многокритериального метода нечеткой классификации PROAFTN по данным». Компьютеры и исследования операций. 34 (7): 1885–1898. Дои:10.1016 / j.cor.2005.07.019.
  6. ^ Jacquet-Lagrèze, E .; Сискос, Дж. (2001). «Дезагрегация предпочтений: 20 лет опыта MCDA». Европейский журнал операционных исследований. 130 (2): 233–245. Дои:10.1016 / s0377-2217 (00) 00035-7.
  7. ^ Al-Obeidat, F .; и другие. (2011). «Эволюционная структура с использованием оптимизации роя частиц для метода классификации PROAFTN». Прикладные мягкие вычисления. 11 (8): 4971–4980. Дои:10.1016 / j.asoc.2011.06.003.
  8. ^ Аль-Обейдат, ф .; и другие. (2010). «Дифференциальная эволюция для изучения метода классификации PROAFTN». Система, основанная на знаниях. 23 (5): 418–426. Дои:10.1016 / j.knosys.2010.02.003.

внешняя ссылка