Kernkonzepte
ファジー粗いChoquet距離は、非線形関係を捉えるために設計され、分類タスクで有用な距離を定義する。
Zusammenfassung
機械学習アルゴリズムの進化と、データセットの複雑さに対応する必要性が増している。
距離測定が基本的なインスタンスベースの分類アルゴリズムの基盤であること。
ファジー粗いChoquet距離は、ファジー粗い集合理論から属性情報を組み合わせており、非線形関係をキャプチャする柔軟で正確な距離を提供する。
Choquet積分は非加法的測度に一般化されており、決定属性への条件付き属性の相互作用を考慮し、監督学習問題の改善に寄与している。
導入
機械学習では効果的で説明可能なアルゴリズムが求められている。
距離測定は多くの重要な機械学習手法で使用されており、KNNや他のアルゴリズムに影響を与えている。
ファジー粗いChoquet距離
ファジー粗いChoquet p-距離はMinkowski p-距離に着想を得て導入された。
Choquet p-距離はManhattanやChebyshev距離とも関連しており、柔軟性と正確性を提供する。
Choquet積分
Choquet積分は集約関数の大規模なクラスを導入し、多基準意思決定支援システムで広く使用されてきた。
分類への適用
γおよびδメジャーに基づくファジー粗いChoquet距離が導入され、分類タスク向けに設計された具体的な単調メジャーが紹介された。
Statistiken
この論文では特別な数値データや指標は使用されていません。
Zitate
このコンテンツから引用すべき印象的な引用文はありません。