Ein effizienter Fuzzy-Klassifikator mit Merkmalsauswahl basierend auf Fuzzy-Entropie

Dieses Papier präsentiert einen effizienten Fuzzy-Klassifikator mit der Fähigkeit zur Merkmalsauswahl, basierend auf einem Maß für Fuzzy-Entropie. Fuzzy-Entropie wird verwendet, um die Information über die Musterverteilung im Musterrraum zu bewerten. Mit diesen Informationen können wir den Musterrraum in nicht überlappende Entscheidungsbereiche zur Musterklassifikation aufteilen. Da die Entscheidungsbereiche nicht überlappen, werden sowohl die Komplexität als auch die Rechenlast des Klassifikators reduziert, sodass die Trainingszeit und die Klassifikationszeit extrem kurz sind. Obwohl die Entscheidungsbereiche in nicht überlappende Teilräume partitioniert sind, können wir eine gute Klassifikationsleistung erzielen, da die Entscheidungsbereiche mithilfe unseres vorgeschlagenen Fuzzy-Entropie-Maßes korrekt bestimmt werden können. Darüber hinaus untersuchen wir auch die Verwendung von Fuzzy-Entropie zur Auswahl relevanter Merkmale. Das Verfahren zur Merkmalsauswahl reduziert nicht nur die Dimension eines Problems, sondern verwirft auch von Rauschen korrumpierte, redundante und unwichtige Merkmale. Schließlich wenden wir den vorgeschlagenen Klassifikator auf die Iris-Datenbank und die Wisconsin-Brustkrebs-Datenbank an, um die Klassifikationsleistung zu bewerten. Beide Ergebnisse zeigen, dass der vorgeschlagene Klassifikator gut für die Musterklassifikation geeignet ist.