NEW CRITERIA FOR RULE SELECTION IN FUZZY LEARNING CLASSIFIER SYSTEMS

مشكل اصلي در پياده سازي سيستم هاي طبقه بند يادگيرفازي طراحي يك معيار موثر براي انتخاب قوانين مي باشد. استفاده از ضريب اطمينان(confidence) و پشتيباني(support) اخيراً به عنوان معيار هاي ارزيابي قوانين متداول شده است. در اين مقاله ابتدا معيارهاي ارزيابي سيستم هاي بازيابي اطلاعات كه دقت (precision) و يادآوري (recall) نام دارند به معادل فازيشان تعميم داده شده و سپس به منظور معيارهاي ارزيابي قوانين استفاده شد ه اند. روش هاي متفاوت و متنوعي جهت تركيب مفاهيم مذكور در قالب يك معيار ارزيابي طراحي و بررسي شده است. اين معيارهاي تركيبي جديد به عنوان مكانيزم انتخاب قانون در روش يادگيري قانون از طريق تكرار (IRL) به كار گرفته شده است. سه پايگاه داده معروف براي مقايسه روشهاي جديدِ ارايه شده مورد استفاده قرارگرفته است. نتايج آزمايشهاي متنوع موثر بودن روشهاي پيشنهادي را بر حسب كارايي محاسباتي و دقت طبقه بندي تاييد مي كنند.

Designing an effective criterion for selecting the best rule is a major problem in the process of implementing Fuzzy Learning Classifier (FLC) systems. Conventionally confidence and support or combined measures of these are used as criteria for fuzzy rule evaluation. In this paper new entities namely precision and recall from the field of Information Retrieval (IR) systems is adapted as alternative criteria for fuzzy rule evaluation. Several different combinations of precision and recall are redesigned to produce a metric measure. These newly introduced criteria are utilized as a rule selection mechanism in the method of Iterative Rule Learning (IRL) of FLC. In several experiments, three standard datasets are used to compare and contrast the novel IR based criteria with other previously developed measures. Experimental results illustrate the effectiveness of the proposed techniques in terms of classification performance and computational efficiency.