一种针对模糊关系下数据不一致性的新型机器学习方法
人工智能
2021-11-29 v1 机器学习
摘要
预测问题中的不一致性发生在条件属性上以某种方式相关的样本，在决策属性上不遵循相同关系时。例如，在具有单调性约束的序分类中，当一个样本在条件属性上支配另一个样本却被赋予更差的决策类时，就会出现这种情况。它通常作为数据生成过程中由不完全知识（缺失属性）或随机效应（决策属性值评估中的不稳定性）引起的数据扰动的结果而出现。针对清晰预序关系（表达样本间支配或不可区分）的不一致性，可使用符号方法如粗糙集理论，以及涉及优化方法的统计/机器学习方法来处理。模糊粗糙集也可视为针对模糊关系下不一致性处理的符号方法。在本文中，我们引入了一种用于处理模糊预序关系下不一致性的新机器学习方法。该新方法受现有用于清晰关系的机器学习方法启发。我们为其提供了统计基础，并开发了可用于消除不一致性的优化过程。本文还证明了重要性质，并包含了这些过程的教学示例。
引用
@article{arxiv.2111.13447,
title = {A Novel Machine Learning Approach to Data Inconsistency with respect to a Fuzzy Relation},
author = {Marko Palangetić and Chris Cornelis and Salvatore Greco and Roman Słowiński},
journal= {arXiv preprint arXiv:2111.13447},
year = {2021}
}