¿Qué es la lógica nítida (en el área de la clasificación)?

Question

Tengo una pregunta breve. Estoy teniendo dificultades para encontrar una buena referencia que explique qué es la lógica nítida.

Lo que pienso:

Tengo dos modelos de clasificación, un árbol de decisiones y un conjunto de reglas, que creo que son modelos nítidos. Ya que dicen que una instancia es de la clase A o no lo es.

Tengo otro modelo de clasificación, una regresión logística, que no es nítido, ya que da la probabilidad de que una instancia pertenezca a esta clase.

Quiero mencionar esto en una presentación que tengo más tarde hoy. Intenté buscar este tema, pero sería genial si alguien solo pudiera confirmar cómo lo interpreté. También podría utilizar una buena referencia para usar en mi trabajo.

Gracias,

Answer 1

Lógica Crisp vs Lógica Difusa

Hasta donde recuerdo, la lógica crisp es lo mismo que la lógica booleana. Una declaración es verdadera o no lo es, mientras que la lógica difusa captura el grado de verdad de algo.

Considera la afirmación: "Acordaron encontrarse a las 12 en punto pero Ben no fue puntual".

• Lógica crisp: Si Ben llegó precisamente a las 12, es puntual, de lo contrario llegó demasiado temprano o demasiado tarde.
• Lógica difusa: El grado en que Ben fue puntual depende de cuánto antes o después llegó (por ejemplo, 0 si llegó a las 11:45 o a las 12:15, 1 a las 12:00 y un aumento / disminución lineal en el medio).

No sé exactamente quién usó primero el término "crisp", pero lo he visto varias veces en la estrechamente relacionada Teoría de conjuntos difusos , donde se ha utilizado para distinguir la teoría de conjuntos de Cantor de la de Zadeh. Así que si estás buscando una referencia, el trabajo original de Zadeh o uno de los libros de texto en el área podría ser una opción.

... en Aprendizaje Automático

En Aprendizaje Automático, la mayoría de los clasificadores producen lo que se llaman scores , que son en general estimaciones más o menos aproximadas de la probabilidad de que la instancia puntuada pertenezca a una clase particular.

Hasta donde sé, estos puntajes no tienen un vínculo explícito con la Lógica Difusa. Tanto la Lógica Difusa como la Teoría de la Probabilidad están cerca una de la otra, pero técnicamente no son lo mismo ( Fuzzy_logic#Comparison_to_probability (en inglés) ).

Por lo tanto, no es correcto etiquetar la salida de la Regresión Logística como difusa. Además, el árbol de decisión mencionado también calcula puntajes (la probabilidad subjetiva de que una instancia en la hoja pertenezca a la clase particular), lo que a menudo resulta en una decisión mayoritaria para la hoja.

Resumen

Pero si estás dispuesto a pasar por alto la diferencia entre la Lógica Difusa y la Probabilidad en aras de la simplicidad, puedes decir que los scores producidos por un clasificador adecuado son difusos, mientras que la decisión para una clase basada en la puntuación es crisp. Por ejemplo, en una campaña de correo directo, puedes calcular un puntaje de qué tan probable es que un cliente responda, pero al final debes tomar una decisión precisa sobre qué clientes enviarás una carta real.

Este documento podría ser interesante ( Eyke Hüllermeier- Conjuntos Difusos en Aprendizaje Automático y Minería de Datos ). Del resumen:

En los últimos años, los métodos para la inducción automatizada de modelos y la extracción de patrones interesantes de datos empíricos han atraído considerable atención en la comunidad de conjuntos difusos. Este documento revisa brevemente algunas aplicaciones típicas y destaca posibles contribuciones que la teoría de conjuntos difusos puede hacer al aprendizaje automático, la minería de datos y campos relacionados. El documento concluye con una consideración crítica de los desarrollos recientes y algunas sugerencias para futuras direcciones de investigación.

Answer 2

• crisp / fuzzy se utiliza en lógica difusa
• hard / soft a veces se utiliza para puntuaciones de clasificadores continuos en [0, 1] también, por ejemplo en la comunidad de teledetección.

La interpretación de las puntuaciones continuas [0, 1] varía:

• mezclas de clases puras, duras/críticas que no son resueltas por la medición
• casos que están verdaderamente entre clases
• probabilidad de que un caso pertenezca (completamente) a la clase.

Tenga en cuenta que las lógicas difusas generalmente no se trata de probabilidades sino de pertenecer genuinamente a más de una clase (parcialmente), es decir, los dos primeros puntos de la lista.

Reichenbach desarrolló una lógica de probabilidad (en la década de 1930).

Puede consultar los artículos de lógica multivaluada y lógica difusa en la Enciclopedia de Filosofía de Stanford.

Tengo un artículo próximo (sobre el uso de muestras con referencia suave/difusa para la validación de clasificadores), pero aún no ha pasado por el proceso de revisión, por lo que aún no puedo hacerlo público aquí. Si está interesado en el manuscrito, envíeme un correo electrónico (Claudia punto Beleites en ipht guion jena punto de) El artículo estará disponible en arxiv una vez sea aceptado.

Answer 3

La afirmación que es verdadera o falsa pero no ambas se llama una proporción y se denota con una letra mayúscula del alfabeto, una proporción simple también se conoce como un átomo, para representar información compleja uno tiene que construir una secuencia de enlaces de proporción utilizando conectivos u operadores. Hay cinco operadores principales que son los siguientes .... 1. AND (^) 2. OR (/) 3. NOT ~ 4. IMPLICATION => 5. EQUALITY =

Por favor, ignora mis errores de ortografía ya que soy un estudiante, por favor no te preocupes si encuentras errores de ortografía en mi respuesta