Cet article présente une étude comparative des performances d'un système optimisé par gradient.
Système d'inférence floue (Petite amie) classificateur contre plusieurs machines de pointe
modèles d'apprentissage, y compris la forêt aléatoire, XGBoost, Régression logistique, Soutien
Machines vectorielles, et réseaux de neurones. L'évaluation a été menée sur cinq
ensembles de données du référentiel UCI Machine Learning, chacun choisi pour son
diversité des types d'entrées, répartition des classes, et complexité de la classification.
Contrairement aux systèmes d'inférence floue traditionnels qui reposent sur des méthodes sans dérivées.
méthodes d'optimisation, le GF exploite la descente de gradient de manière significative
améliorer l’efficacité de la formation et les performances prédictives. Les résultats démontrent
que le modèle GF est devenu compétitif, et dans plusieurs cas supérieur,
précision de classification tout en conservant une haute précision et exceptionnellement faible
temps de formation. En particulier, le GF a montré une forte cohérence entre les plis
et ensembles de données, soulignant sa robustesse dans la gestion des données bruitées et variables
ensembles de fonctionnalités. Ces résultats soutiennent le potentiel du flou optimisé par gradient
systèmes aussi interprétables, efficace, et des alternatives adaptables à des solutions plus complexes
modèles d'apprentissage profond dans les tâches d'apprentissage supervisé.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: