Algoritmos Geneticos Aplicados A La Clasificacion Con Reglas Intervalares

Author :
Publisher :
ISBN 13 :
Total Pages : 207 pages
Book Rating : 4.:/5 (933 download)

DOWNLOAD NOW!

Download or read book Aprendizaje de reglas difusas usando algoritmos genéticos written by and published by . This book was released on 1997 with total page 207 pages. Available in PDF, EPUB and Kindle. Book excerpt: En esta memoria se presenta el desarrollo en varias etapas de un algoritmo inductivo de aprendizaje basado en la metodología iterativa para la obtención de reglas difusas, llamado SLAVE. SLAVE usa algoritmos genéticos para determinar en cada iteración del proceso de aprendizaje la mejor regla que representa cada clase teniendo en cuenta la información existente en el conjunto de ejemplos. Una caracteristica fundamental de SLAVE es que se ha concebido para abordar problemas de clasificación tanto en situaciones en las que la variable de clasificación toma valores sobre un referencial crisp, como para aquellas en la que la variable de clasificación toma valores sobre un referencial continuo. Para este segundo tipo de problemas, la aplicación de SLAVE es directa, sin más que discretizar el referencial de la variable de clasificación usando conjuntos difusos. Una de las características fundamentales de SLAVE es que obtiene la relevancia parcial de las variables de entrada, es decir, durante el proceso de aprendizaje el algoritmo selecciona las características relevantes para construir la descripción de la regla, no considerando para la descripción de la misma, las variables irrelevantes. En el capítulo II se presenta la metodología básica del algoritmo de aprendizaje. En el capítulo III se exponen dos vías para mejorar el comportamiento del algoritmo básico mediante la inclusión de mecanismos que permiten la colaboración en unos casos, y la competición en otros, de las reglas aprendidas. La primera de las vías consiste en la inclusión de un algoritmo de refinamiento de teorías como fase final del algoritmo de aprendizaje. Como segunda vía, se contempla la posibilidad de que sea el propio algoritmo el que incorpore la colaboración/competición entre las reglas durante el proceso de aprendizaje. Con tal fin, se propone un nuevo mecanismo de evaluación de reglas, que contempla el conocimiento previamente extraído para los conceptos ya aprendidos, para determinar en qué medida las nuevas reglas que se proponen afectarán a la clasificación de los conceptos. En el capítulo IV se propone una nueva modificación de SLAVE para aumentar su capacidad de detección de variables irrelevantes. Con este propósito, en el módulo de selección de reglas se establecen dos procesos de búsqueda diferentes, uno que trata de encontrar el subconjunto de variables relevantes que formarán parte de la descripción de la regla, y otro que intenta encontrar la mejor asignación de valores a estas variables. Los resultados experimentales reflejan, que si bien todas ellas conseguían mantener o mejorar los resultados de las versiones anteriores, el modelo por umbral de activación presenta los mejores resultados. Por último en el capítulo V se propone enriquecer el lenguaje de representación de SLAVE mediante la inclusión de modificadores semánticos con el fín de alterar la semántica de las etiquetas. Como conclusión final, resaltamos que se han conseguido los objetivos propuestos, proporcionando un algoritmo de aprendizaje que presenta un buen comportamiento en los dos tipos de problemas de clasificación planteados, dotando de un alto grado de comprensibilidad desde el punto de vista humano al conocimiento extraído.