Questo documento presenta uno studio di benchmarking delle prestazioni di un gradiente ottimizzato
Sistema di inferenza fuzzy (GF) classificatore contro diverse macchine all'avanguardia
modelli di apprendimento, inclusa la Foresta Casuale, XGBoost, Regressione logistica, Supporto
Macchine vettoriali, e reti neurali. La valutazione è stata condotta su cinque
set di dati dal repository di machine learning dell'UCI, ognuno scelto per il proprio
diversità nei tipi di input, distribuzioni di classe, e complessità della classificazione.
A differenza dei tradizionali sistemi di inferenza fuzzy che si basano su derivati ​​privi di derivati
metodi di ottimizzazione, il GF sfrutta la discesa del gradiente in modo significativo
migliorare l’efficienza della formazione e le prestazioni predittive. I risultati dimostrano
che il modello GF ha raggiunto la competitività, e in molti casi superiore,
accuratezza della classificazione pur mantenendo un'elevata precisione ed eccezionalmente bassa
tempi di formazione. In particolare, il GF ha mostrato una forte consistenza tra le pieghe
e set di dati, sottolineandone la robustezza nella gestione di dati rumorosi e variabili
set di funzionalità. Questi risultati supportano il potenziale del fuzzy ottimizzato per il gradiente
sistemi interpretabili, efficiente, e alternative adattabili a soluzioni più complesse
modelli di deep learning in compiti di apprendimento supervisionato.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: