Перевод названия: The research of fuzzy decision trees building using entropy and the theory of fuzzy sets
Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: IV Международная конференция и молодёжная школа "Информационные технологии и нанотехнологии"; Самара; Самара
Год издания: 2018
Ключевые слова: decision tree, machine learning, artificial intelligence, fuzzy data
Аннотация: В данной статье рассмотрен алгоритм построения нечетких деревьев решений для нечетких и четких данных, на основе интеграции энтропии и теории нечетких множеств. Алгоритм предполагает нечеткое представление числовых атрибутов и дальнейшее построение дерева. В данной статье представлен метод, который включает в себя особенности двух Показать полностьювышеупомянутых подходов: графическое представление системы правил в виде дерева и нечеткое представление данных. Подход характеризуется такими преимуществами как высокая познаваемость деревьев решений и способность справляться с неточной и неопределенной информацией. Полученный метод обучения подходит для классификации задач, как с численными, так и с символьными атрибутами. В статье будут приведены иллюстрации решений и численные результаты. Decision trees are widely used in the field of machine learning and artificial intelligence. Such popularity is due to the fact that with the help of decision trees graphic models, text rules can be built and they are easily understood by the end user. Because of the inaccuracy of observations, uncertainties, the data, collected in the environment, often takes an unclear form. Therefore, fuzzy decision trees becoming popular in the field of machine learning. This article presents a method that includes the features of the two above-mentioned approaches: a graphical representation of the rules system in the form of a tree and a fuzzy representation of the data. The approach uses such advantages as high comprehensibility of decision trees and the ability to cope with inaccurate and uncertain information in fuzzy representation. The received learning method is suitable for classifying problems with both numerical and symbolic features. In the article solution illustrations and numerical results are given.
Журнал: Информационные технологии и нанотехнологии
Номера страниц: 2621-2628
Издатель: Предприятие "Новая техника"