Resumen

En este estudio, el problema de clasificacin se resuelve desde el punto de vista de la computacin granular. Es decir, el problema de clasificacin se transforma equivalentemente en el espacio granular difuso para resolverlo. La mayora de los algoritmos de clasificacin slo se adoptan para manejar datos numricos; el rbol de decisin granular difuso aleatorio (RFGDT) puede manejar no slo datos numricos, sino tambin datos no numricos como grnulos de informacin. Las medidas se pueden tomar de cuatro maneras, como se indica a continuacin. En primer lugar, se propone un algoritmo de agrupacin aleatoria global adaptativa (AGRC), que puede encontrar de forma adaptativa los centros de agrupacin ptimos y maximizar la relacin entre la desviacin estndar interclase y la desviacin estndar intraclase, y evitar caer en una solucin ptima local; En tercer lugar, en el espacio granular difuso, diseamos RFGDT para clasificar los grnulos difusos, que pueden seleccionar caractersticas importantes como nodos de rbol basndose en la relacin de ganancia de informacin y evitar el problema del sobreajuste basndose en el algoritmo de poda propuesto. Por ltimo, empleamos el conjunto de datos de UC Irvine Machine Learning Repository para su verificacin. La teora y los resultados experimentales demuestran que RFGDT tiene una alta eficiencia y precisin y es robusto en la resolucin de problemas de clasificacin.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Computación granular; Espacio granular difuso; árbol de decisión granular difuso aleatorio; Agrupación aleatoria global adaptativa; Ratio de ganancia de información; UC Irvine Machine Learning Repository
• Keywords:Granular computing; Fuzzy granular space; Random fuzzy granular decision tree; Adaptive global random clustering; Information gain ratio; UC Irvine Machine Learning Repository