विविध वर्गीकरण के तरीके
यहां हम अन्य वर्गीकरण विधियों जैसे जेनेटिक एल्गोरिदम, रफ सेट दृष्टिकोण और फज़ी सेट दृष्टिकोण के बारे में चर्चा करेंगे।
आनुवंशिक एल्गोरिदम
आनुवंशिक एल्गोरिथ्म का विचार प्राकृतिक विकास से लिया गया है। आनुवंशिक एल्गोरिथम में, सबसे पहले, प्रारंभिक जनसंख्या बनाई जाती है। इस प्रारंभिक जनसंख्या में बेतरतीब ढंग से उत्पन्न नियम शामिल हैं। हम बिट्स की एक स्ट्रिंग द्वारा प्रत्येक नियम का प्रतिनिधित्व कर सकते हैं।
उदाहरण के लिए, दिए गए प्रशिक्षण सेट में, नमूने दो बूलियन विशेषताओं जैसे A1 और A2 द्वारा वर्णित हैं। और इस दिए गए प्रशिक्षण सेट में C1 और C2 जैसे दो वर्ग शामिल हैं।
हम नियम को एनकोड कर सकते हैं IF A1 AND NOT A2 THEN C2 थोड़े से तार में 100। इस बिट प्रतिनिधित्व में, दो सबसे बाएं बिट क्रमशः ए 1 और ए 2 का प्रतिनिधित्व करते हैं।
इसी तरह, नियम IF NOT A1 AND NOT A2 THEN C1 के रूप में एन्कोड किया जा सकता है 001।
Note- यदि विशेषता में K मान है जहां K> 2 है, तो हम K बिट का उपयोग कर सकते हैं विशेषता मान को एन्कोड करने के लिए। कक्षाएं भी उसी तरीके से एन्कोडेड हैं।
याद करने के लिए अंक -
फिटेस्ट के अस्तित्व की धारणा के आधार पर, एक नई आबादी का गठन किया जाता है जिसमें वर्तमान आबादी में सबसे योग्य नियम और इन नियमों के साथ-साथ मूल्यों का भी समावेश होता है।
एक नियम की फिटनेस का मूल्यांकन प्रशिक्षण नमूनों के एक सेट पर इसकी वर्गीकरण सटीकता से किया जाता है।
संतान पैदा करने के लिए क्रॉसओवर और म्यूटेशन जैसे आनुवंशिक ऑपरेटरों को लागू किया जाता है।
क्रॉसओवर में, नियमों की जोड़ी से प्रतिस्थापन को नियमों की एक नई जोड़ी बनाने के लिए स्वैप किया जाता है।
उत्परिवर्तन में, एक नियम के स्ट्रिंग में यादृच्छिक रूप से चयनित बिट्स उल्टे होते हैं।
रफ सेट अप्रोच
हम आवेग और शोर डेटा के भीतर संरचनात्मक संबंधों की खोज करने के लिए किसी न किसी सेट दृष्टिकोण का उपयोग कर सकते हैं।
Note- यह दृष्टिकोण केवल असतत-मूल्यवान विशेषताओं पर लागू किया जा सकता है। इसलिए, इसके उपयोग से पहले निरंतर-मूल्यवान विशेषताओं का विवेक होना चाहिए।
रफ सेट थ्योरी दिए गए प्रशिक्षण डेटा के भीतर समतुल्यता वर्गों की स्थापना पर आधारित है। समतुल्य वर्ग बनाने वाले टुपल्स अप्रत्यक्ष हैं। इसका मतलब है कि नमूने डेटा का वर्णन करने वाली विशेषताओं के संबंध में समान हैं।
दिए गए वास्तविक विश्व डेटा में कुछ वर्ग हैं, जो उपलब्ध विशेषताओं के संदर्भ में भिन्न नहीं हो सकते हैं। हम किसी न किसी सेट का उपयोग कर सकते हैंroughly ऐसी कक्षाओं को परिभाषित करें।
किसी दिए गए वर्ग C के लिए, रफ सेट परिभाषा को दो सेटों द्वारा अनुमानित किया गया है -
Lower Approximation of C - C के निचले सन्निकटन में सभी डेटा ट्यूपल्स होते हैं, जो कि विशेषता के ज्ञान के आधार पर, क्लास C से संबंधित होते हैं।
Upper Approximation of C - C के ऊपरी सन्निकटन में सभी टुपल्स होते हैं, जो कि विशेषताओं के ज्ञान के आधार पर C से संबंधित नहीं हैं।
निम्नलिखित चित्र वर्ग C के ऊपरी और निचले दृष्टिकोण को दर्शाता है -
फ़ज़ी सेट दृष्टिकोण
Fuzzy Set Theory को Possibility Theory भी कहा जाता है। इस सिद्धांत को 1965 में एक विकल्प के रूप में लॉट्फी ज़ादेह द्वारा प्रस्तावित किया गया थाtwo-value logic तथा probability theory। यह सिद्धांत हमें अमूर्तता के उच्च स्तर पर काम करने की अनुमति देता है। यह हमें डेटा के अभेद्य माप से निपटने के लिए साधन भी प्रदान करता है।
फ़ज़ी सेट सिद्धांत हमें अस्पष्ट या अयोग्य तथ्यों से निपटने की भी अनुमति देता है। उदाहरण के लिए, उच्च आय के एक सेट का सदस्य होना सटीक में है (जैसे अगर $ 50,000 अधिक है तो $ 49,000 और $ 48,000 के बारे में क्या)। पारंपरिक सीआरआईएसपी सेट के विपरीत, जहां तत्व या तो एस या इसके पूरक से संबंधित है, लेकिन फ़ज़ी सेट सिद्धांत में तत्व एक से अधिक फ़ज़ी सेट से संबंधित हो सकता है।
उदाहरण के लिए, आय का मूल्य $ 49,000 मध्यम और उच्च फ़ज़ी सेटों, लेकिन अलग-अलग डिग्री दोनों के अंतर्गत आता है। इस आय मूल्य के लिए फ़ज़ी सेट नोटेशन इस प्रकार है -
mmedium_income($49k)=0.15 and mhigh_income($49k)=0.96जहाँ 'm' सदस्यता फ़ंक्शन है जो क्रमशः मध्यम_अनुकूल और high_income के फ़ज़ी सेटों पर संचालित होता है। इस संकेतन को आरेखीय रूप से निम्न प्रकार से दिखाया जा सकता है -
