通用模糊极小极大神经网络中处理混合属性数据方法的深入比较
机器学习
2020-09-02 v1 机器学习
摘要
通用模糊极小极大（GFMM）神经网络是分类问题中高效的神经-模糊系统之一。然而，当前大多数 GFMM 学习算法的一个缺点是仅能有效处理数值型特征。因此，本文提供一些潜在方法，使 GFMM 学习算法适用于带混合类型或仅类别型特征的分类问题，因这类数据在实际应用中十分常见且常携带非常有用的信息。我们将比较并评估处理混合特征数据集的三种主要方法，包括使用编码方法、将 GFMM 模型与其他分类器结合，以及采用针对两类特征的具体学习算法。实验结果表明，target 与 James-Stein 是 GFMM 模型学习算法合适的类别型编码方法，而 GFMM 神经网络与决策树的结合是提升 GFMM 模型在混合特征数据集上分类性能的灵活途径。具备混合类型特征处理能力的算法是以自然方式处理混合属性数据的潜在途径，但需进一步改进以获得更好分类精度。基于分析，我们还辨识了不同方法的优劣，并提出了潜在研究方向。
引用
@article{arxiv.2009.00237,
title = {An in-depth comparison of methods handling mixed-attribute data for general fuzzy min-max neural network},
author = {Thanh Tung Khuat and Bogdan Gabrys},
journal= {arXiv preprint arXiv:2009.00237},
year = {2020}
}