وزندهی به قوانین و الگوهای آموزشی جهت بهبود دقت کلاسه بندی سیستم های دسته بندی فازی
در اين مقاله تاثير وزندهي را بر قابليت دسته بندي سيستمهاي دستهبند فازي مبتني بر قانون مورد بررسي قرار دهيم. براي بهبود سيستم کلاسه بند از يک الگوريتم يادگيري وزن قوانين استفاده ميکنيم که ميزان خطاي دسته بندي را بر روي دادههاي آموزشي با استفاده از تنظيم وزن قوانين به حداقل مي رساند. همچنين، با اين ديد که داده هاي آموزشي داراي ارزش يکساني نيستند و بعضي از داده هاي آموزشي را ميتوان نويز به حساب آورد، ما به دادههاي آموزشي نيز وزني انتساب ميدهيم. وزن منتسب شده به هر الگوي آموزشي به عنوان هزينه ي دسته بندي غلط و يا انصراف از کلاسه بندي آن داده محسوب مي شود. به عبارت ديگر، وزن هر الگو نشان دهنده اهميت کلاسه بندي صحيح آن الگو ميباشد. با اين توصيف، الگوريتم يادگيري مورد استفاده بر اساس وزن دهي قوانين را طوري تغيير مي دهيم که به جاي به حداقل رساندن خطاي کلاسه بندي، يک تابع هزينه( تابعي وابسته به وزن دادههاي آموزشي) را کمينه کند. براي تعيين وزن هر الگوي آموزشي، از توزيع داده ها در همسايگي آن استفاده مي شود. اگر اکثريت همسايه هاي دادهي مورد نظر از کلاسي متفاوت با کلاس دادهي مورد نظر باشند به آن داده وزن کمي اختصاص داده ميشود و بالعکس. با اين کار تاثير داده هاي نويزي را در عمل يادگيري وزن قوانين کاهش ميدهيم. با استفاده از چندين مجموعه دادهاي استاندارد موجود در uci-ml نشان ميدهيم که وزن دهي الگوهاي آموزشي تاثير مثبتي در بهبود دقت کلاسه بندي دارد.