Badanie klasyfikatora rozmytego z wykorzystaniem entropii rozmytej

Sosnowski, Z. A.

Artykuł - szczegóły

Tytuł artykułu

Badanie klasyfikatora rozmytego z wykorzystaniem entropii rozmytej

Autorzy

Sosnowski Z. A.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Study of fuzzy classifier based on fuzzy entropy

Języki publikacji

Abstrakty

W pracy przedstawiono architekturę klasyfikatora rozmytego opartego na entropii rozmytej oraz zbadano jego wydajność na standardowych zestawach danych: Iris i Wisconsin breast cancer. Wyniki symulacji pokazują, że przedstawiony klasyfikator daje zadawalające wskaźniki klasyfikacji.

In this paper, we present the architecture of fuzzy classifier based on fuzzy entropy and examine its performance on Iris and Wisconsin breast cancer data sets. Simulation results show that the presented classifier has a satisfactory classification rate.

Słowa kluczowe

klasyfikator rozmyty rozmyta entropia

fuzzy classifier fuzzy entropy

Wydawca

Polskie Towarzystwo Symulacji Komputerowej

Czasopismo

Symulacja w Badaniach i Rozwoju

Rocznik

2012

Tom

Vol. 3, nr 2

Strony

99--106

Opis fizyczny

Bibliogr. 12 poz., tab.

Twórcy

autor

Sosnowski Z. A.

z.sosnowski@pb.edu.pl

Politechnika Białostocka, Wydział Informatyki ul. Wiejska 45a , 15-351 Białystok

Bibliografia

1. Hahn-Ming Lee, Chih-Ming Chen, Jyh-Ming Chen, and Yu-Lu Jou: An Efficient Fuzzy Classifier with Feature Selection Based on Fuzzy Entropy, IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, 3 June 2001.
2. Ching J. Y. et al.: Class-dependent discretization for inductive learning form continuous and mixed-mode data, IEEE Trans. Pattern Anal. MachineIntell., Lipiec 1995.
3. Liu H. and Setiono R.: Feature selection via discretization, IEEE Trans. Knowl. Data Eng., Lipiec/Sierpień 1997.
4. Jun B.H. et al.: A new criterion in selection and discretization of attributes for the generation of decision trees, IEEE Trans. Pattern Anal. Machine Intell., Grudzień 1997.
5. Pedrycz W., Sosnowski Z.A.: The designing of decision trees in the framework of granular data and their application to software quality models, Fuzzy Sets & Systems, vol. 124, 2001.
6. Shen H., Yang J., Wang S., and Liu X.: Attribute weighted mercer kernel based fuzzy clustering algorithm for general non-spherical datasets, Soft Computing, vol. 10, no. 11, 2006.
7. Hsin-Chien Huang, Yung-Yu Chuang and Chu-Song Chen: Multiple Kernel Fuzzy Clustering, IEEE Trans. Fuzzy Syst., Volume: 20 , Issue: 1, 2012.
8. Ching J.Y. et al.: Class-dependent discretization for inductive learning form continuous and mixed-mode data, IEEE Trans. Pattern Anal. MachineIntell., lipiec 1995.
9. Nozaki K. et al.: Adaptive fuzzy rule-based classification systems, IEEE Trans. Fuzzy Syst., czerwiec 1996.
10. Pedrycz W., Sosnowski Z.A.: C-Fuzzy Decision Trees, IEEE Transactions on Systems, Man and Cybernetics, Part C, Vol. 35, No 4, 2005.
11. Gudwański T.: Badanie metod klasyfikacji rozmytej opartych o selekcję cech, praca magisterska, Politechnika Białostocka, Wydz. Informatyki, 2007.
12. Merz C.J, Murphy P.M.: UCI Repository for Machine Learning Data-Bases [http://www.ics.uci.edu/~mlearn/MLRepository.html], Irvine, CA: University of California, Department of Information and Computer Science, 1996.

Uwagi

Praca finansowana w ramach badań statutowych Wydziału Informatyki Politechniki Białostockiej nr S/WI/2/08

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-3f57035c-0c9d-4067-9aae-dde9a60afa3e