Generating Interpretable Fuzzy Systems for Classification Problems

Contreras-Montes, Juan A.; Acuña-Camacho, Oscar S.

dc.creator	Contreras-Montes, Juan A.
dc.creator	Acuña-Camacho, Oscar S.
dc.date	2009-12-20
dc.date.accessioned	2021-03-18T21:04:10Z
dc.date.available	2021-03-18T21:04:10Z
dc.identifier	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/240
dc.identifier	10.22430/22565337.240
dc.identifier.uri	http://test.repositoriodigital.com:8080/handle/123456789/11482
dc.description	This paper presents a new method to generate interpretable fuzzy systems from training data to deal with classification problems. The antecedent partition uses triangular sets with 0.5 interpolations avoiding the presence of complex overlapping that happens in another method. Singleton consequents are generated form the projection of the modal values of each triangular membership function into the output space. Least square method is used to adjust the consequents. The proposed method gets a higher average classification accuracy rate than the existing methods with a reduced number of rules andparameters and without sacrificing the fuzzy system interpretability. The proposed approach is applied to two classical classification problems: Iris data and the Wisconsin Breast Cancer classification problem.	en-US
dc.description	En este artículo se presenta un nuevo método para generar sistemas difusos interpretables, a partir de datos experimentalesde entrada y salida, para resolver problemas de clasificación. En la partición antecedente se emplean conjuntos triangulares con interpolación de 0.5 lo cual evita la presencia de solapamientos complejos que suceden en otros métodos. Los consecuentes, tipo Singleton, son generados por la proyección de los valores modales de cada función de membresía triangular en el espacio de salida y se emplea el método de mínimos cuadrados para el ajuste de los consecuentes. El método propuesto consigue una mayor precisión que la alcanzada con los métodos actuales existentes, empleando un número reducido de reglas y parámetros y sin sacrificar la interpretabilidad del modelo difuso. El enfoque propuesto es aplicado a dos problemas clásicos de clasificación: el Wisconsin Breast Cancer (WBC) y el Iris Data Classification Problem, para mostrar las ventajas del método y comparar los resultados con los alcanzados por otros investigadores.	es-ES
dc.format	application/pdf
dc.language	eng
dc.publisher	Instituto Tecnológico Metropolitano (ITM)	en-US
dc.relation	https://revistas.itm.edu.co/index.php/tecnologicas/article/view/240/246
dc.rights	Copyright (c) 2017 Tecno Lógicas	en-US
dc.source	TecnoLógicas; Num. 23 (2009); 239-255	en-US
dc.source	TecnoLógicas; Num. 23 (2009); 239-255	es-ES
dc.source	2256-5337
dc.source	0123-7799
dc.subject	Fuzzy systems	en-US
dc.subject	Interpretability	en-US
dc.subject	classification problems.	en-US
dc.subject	Sistemas difusos	es-ES
dc.subject	interpretabilidad	es-ES
dc.subject	problemas de clasificación	es-ES
dc.title	Generating Interpretable Fuzzy Systems for Classification Problems	en-US
dc.title	Generating Interpretable Fuzzy Systems for Classification Problems	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	Articles	en-US
dc.type	Artículos	es-ES

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

tecnologia [520]

Mostrar el registro sencillo del ítem