Généralisation dans le système de classificateur XCSF : Analyse, amélioration et extension

Nous analysons la généralisation dans XCSF et introduisons trois améliorations. Nous commençons par montrer que les types de généralisation évolués par XCSF peuvent être influencés par l'intervalle d'entrée. Pour expliquer ces résultats, nous présentons une analyse théorique de la convergence des poids des classificateurs dans XCSF qui met en lumière un problème plus large. Dans XCSF, en raison des propriétés mathématiques de la mise à jour de Widrow-Hoff, la convergence des poids des classificateurs dans un sous-espace donné peut être lente lorsque l'étalement des valeurs propres de la matrice d'autocorrélation associée à chaque classificateur est important. Comme conséquence majeure, la pression d'exactitude du système peut agir avant que les poids des classificateurs ne soient adéquatement mis à jour, de sorte que XCSF peut évoluer vers des approximations constantes par morceaux, au lieu des approximations linéaires par morceaux prévues, et plus efficaces. Nous proposons trois manières différentes de mettre à jour les poids des classificateurs dans XCSF afin d'augmenter les capacités de généralisation de XCSF : une basée sur une normalisation des entrées basée sur des conditions, une basée sur les moindres carrés linéaires et une basée sur la version récursive des moindres carrés linéaires. À travers une série d'expériences, nous montrons que bien que les trois approches améliorent significativement XCSF, les approches par moindres carrés semblent être les plus performantes et les plus robustes. Enfin, nous montrons comment XCSF peut être étendu pour inclure des approximations polynomiales.