In diesem Artikel wird eine Leistungsbenchmarking-Studie eines Gradientenoptimierten vorgestellt
Fuzzy-Inferenzsystem (GF) Klassifikator gegen mehrere hochmoderne Maschinen
Lernmodelle, einschließlich Random Forest, XGBoost, Logistische Regression, Unterstützung
Vektormaschinen, und Neuronale Netze. Die Auswertung erfolgte über fünf
Datensätze aus dem UCI Machine Learning Repository, jeder für sich ausgewählt
Vielfalt der Eingabearten, Klassenverteilungen, und Klassifizierungskomplexität.
Im Gegensatz zu herkömmlichen Fuzzy-Inferenzsystemen, die auf Ableitungsfreiheit basieren
Optimierungsmethoden, Der GF nutzt den Gefälleabstieg deutlich aus
Verbesserung der Trainingseffizienz und Vorhersageleistung. Ergebnisse zeigen
dass das GF-Modell wettbewerbsfähig war, und in mehreren Fällen überlegen,
Klassifizierungsgenauigkeit bei gleichzeitig hoher Präzision und außergewöhnlich niedrigem
Trainingszeiten. Insbesondere, Der GF zeigte eine starke Konsistenz über die Falten hinweg
und Datensätze, Dies unterstreicht seine Robustheit im Umgang mit verrauschten Daten und Variablen
Funktionssätze. Diese Ergebnisse unterstützen das Potenzial von Gradienten-optimiertem Fuzzy
Systeme als interpretierbar, effizient, und anpassungsfähige Alternativen zu komplexeren
Deep-Learning-Modelle in überwachten Lernaufgaben.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: