核心概念
본 연구에서는 직관적 퍼지 이론을 결합한 새로운 랜덤 포레스트 앙상블 알고리즘을 제안한다. 이를 통해 불확실성을 효과적으로 다룰 수 있으며, 분류 성능을 크게 향상시킬 수 있다.
摘要
본 논문에서는 직관적 퍼지 의사결정 트리(IFDT)와 직관적 퍼지 랜덤 포레스트(IFRF)를 제안한다.
IFDT:
- 기존 퍼지 의사결정 트리에 비해 발전된 형태로, 비소속도를 고려하여 정보 전달 과정에 반영한다.
- 새로운 직관적 퍼지 정보 이득을 제안하여 노드 분할 기준으로 사용한다.
- 두 차원의 출력(소속도, 비소속도)을 제공하여 앙상블 학습에 적합하다.
IFRF:
- IFDT를 기반 분류기로 사용하여 랜덤 포레스트 앙상블을 구축한다.
- 노드 분할 시 무작위 특성 선택을 도입하여 다양성을 높인다.
- 두 가지 투표 방식을 제안하여 최종 분류 결과의 정확도를 향상시킨다.
실험 결과, IFDT는 다른 기존 분류기와 경쟁력 있는 성능을 보였으며, IFRF는 다른 최신 퍼지 앙상블 알고리즘들에 비해 우수한 분류 정확도를 달성하였다. 이를 통해 직관적 퍼지 이론과 의사결정 트리 앙상블의 효과적인 결합을 확인할 수 있다.
統計資料
분류 문제에서 의사결정 트리는 빠른 학습 속도, 적은 메모리 사용, 자동 특성 선택 등의 장점이 있다.
퍼지 이론은 불확실성을 효과적으로 다룰 수 있어 기계 학습, 군집 알고리즘, 의사 결정 지원 등에 널리 사용된다.
직관적 퍼지 집합은 소속도와 비소속도를 모두 고려하여 정보 처리 및 의사 결정 과정을 인간의 사고 과정에 더 유사하게 만들 수 있다.
引述
"퍼지 의사결정 트리는 숫자 영역과 개념 영역 사이의 간극을 해소하고 정확한 분류 성능을 제공한다."
"대부분의 기존 연구는 전통적인 퍼지 집합에 기반하고 있으며, 비소속도를 고려하지 않고 있다."
"본 연구는 직관적 퍼지 이론과 의사결정 트리 앙상블을 결합한 최초의 시도이다."