Проафтн
Proaftn — метод нечеткой классификации , принадлежащий к классу обучения с учителем алгоритмов . Аббревиатура Fuzzy Proaftn расшифровывается как: (PROcédure d'Affectation Floue pour la problématique du Tri Nominal), что в переводе с английского означает: Assignment Treatment for Nominal Sorting .
Метод позволяет определять нечеткие отношения безразличия путем обобщения показателей (согласования и несогласия), используемых в методе ELECTRE III. [1] Для определения нечетких отношений безразличия PROAFTN использует общую схему метода дискретизации , описанную в: [2] который устанавливает набор предварительно классифицированных случаев, называемый обучающим набором.
Для решения задач классификации Proaftn реализует следующие этапы: [3]
Этап 1. Моделирование классов. На этом этапе прототипы классов создаются с помощью двух следующих шагов:
- 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 заданий, известных как обучающий набор.
Прямая методика: заключается в корректировке параметров посредством обучающей выборки и при вмешательстве эксперта.
Косвенный метод: он заключается в подборе параметров без вмешательства эксперта, который используется в подходах машинного обучения . [4] [5]
В задаче многокритериальной классификации косвенный метод известен как анализ дезагрегации предпочтений . [6] Этот метод требует меньших когнитивных усилий, чем предыдущий; он использует автоматический метод определения оптимальных параметров, которые минимизируют ошибки классификации.
несколько эвристик и метаэвристик . Кроме того, для изучения метода многокритериальной классификации Proaftn было использовано [7] [8]
Этап 2. Назначение. После создания прототипов Proaftn приступает к присвоению новых объектов конкретным классам.
Ссылки [ править ]
- ^ Рой, Б. (1996). Многокритериальная методология содействия принятию решений . Дордрехт: Клювер Академик.
- ^ Чинг, JY (1995). «Класс-зависимая дискретизация для индуктивного обучения на основе непрерывных и смешанных данных». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 17 (7): 641–651. дои : 10.1109/34.391407 .
- ^ Беласел, Н. (2000). «Метод многокритериального назначения ПРОАФТН: Методика и медицинское применение». Европейский журнал операционных исследований . 125 (3): 175–83. дои : 10.1016/s0377-2217(99)00192-7 .
- ^ Думпос, М.; Зопунидис, К. (2011). «Дезагрегирование предпочтений и статистическое обучение для поддержки принятия многокритериальных решений: обзор». Европейский журнал операционных исследований . 209 (3): 203–214. дои : 10.1016/j.ejor.2010.05.029 .
- ^ Беласель, Н.; Рава, ХБл; Пуннен, AP (2007). «Обучение методу многокритериальной нечеткой классификации PROAFTN по данным» . Компьютеры и исследования операций . 34 (7): 1885–1898. дои : 10.1016/j.cor.2005.07.019 .
- ^ Жаке-Лагрез, Э.; Сискос, Дж. (2001). «Дезагрегация предпочтений: Двадцать лет опыта MCDA». Европейский журнал операционных исследований . 130 (2): 233–245. дои : 10.1016/s0377-2217(00)00035-7 .
- ^ Аль-Обейдат, Ф.; и др. (2011). «Эволюционная структура, использующая оптимизацию роя частиц для метода классификации PROAFTN» . Прикладные мягкие вычисления . 11 (8): 4971–4980. дои : 10.1016/j.asoc.2011.06.003 .
- ^ Аль-Обейдат, ф.; и др. (2010). «Дифференциальная эволюция для изучения метода классификации PROAFTN». Системы, основанные на знаниях . 23 (5): 418–426. дои : 10.1016/j.knosys.2010.02.003 .