Design of a qualitative classification model through fuzzy support vector machine with type‐2 fuzzy expected regression classifier preset
Notice bibliographique
Résumé
Methods of qualitative analysis, such as qualitative classification, have gained importance as an essential complement of existing quantitative analysis in numerous fields. Only a few models have been developed to deal with qualitative inputs in the form of type‐2 fuzzy(T2F) sets properly, given that traditional defuzzification method like the Karnik–Mendel algorithm performs dimensionality reduction at the cost of loss of information. To improve the situation, we define the expected value and variance of T2F set in this paper. By using a combination of them, we transfer the vertical three‐dimensional uncertainty of T2F set to horizontal range uncertainty without much distortion of information. Additionally, current classification models are unsuitable to the partial classification problem if an output is not fully assigned to a single class. We build a comprehensive qualitative classification model based on fuzzy support vector machine (FSVM) combined with type‐2 fuzzy expected regression (FER) to solve the partial classification problem as mentioned. This classifier (i.e. FER‐FSVM) makes it possible to achieve the discrimination of output while characterizing membership for each class in terms of multidimensional qualitative inputs (attributes) in the form of T2F sets. FER‐FSVM also can self‐learn the data structure and shift between FER or FSVM for classification automatically, thus largely improving the efficiency of the classification process. The new model is almost 7 times more efficient than FSVM, as shown by our empirical experiments. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».