Un classificateur flou efficace avec sélection de caractéristiques basée sur l'entropie floue

Cet article présente un classificateur flou efficace capable de sélectionner des caractéristiques basé sur une mesure d'entropie floue. L'entropie floue est utilisée pour évaluer l'information de distribution des motifs dans l'espace des motifs. Avec cette information, nous pouvons partitionner l'espace des motifs en régions de décision non superposées pour la classification des motifs. Étant donné que les régions de décision ne se chevauchent pas, la complexité et la charge computationnelle du classificateur sont réduites, ce qui rend le temps d'entraînement et le temps de classification extrêmement courts. Bien que les régions de décision soient partitionnées en sous-espaces non superposés, nous pouvons obtenir de bonnes performances de classification puisque les régions de décision peuvent être correctement déterminées par notre mesure d'entropie floue proposée. De plus, nous examinons également l'utilisation de l'entropie floue pour sélectionner des caractéristiques pertinentes. La procédure de sélection des caractéristiques non seulement réduit la dimensionnalité d'un problème, mais écarte également les caractéristiques corrompues par le bruit, redondantes et non importantes. Enfin, nous appliquons le classificateur proposé à la base de données Iris et à la base de données du cancer du sein du Wisconsin pour évaluer la performance de classification. Les deux résultats montrent que le classificateur proposé fonctionne bien pour l'application de classification des motifs.