模糊逻辑真的能改进简单的机器学习算法吗？

Question

我正在阅读模糊逻辑，我只是​​看不出它在大多数情况下如何改进机器学习算法（它似乎相对经常应用）。

以例如k个最近邻居为例。如果你有一堆像color: [red,blue,green,orange], temperature: [real number], shape: [round, square, triangle]这样的属性，除了真正的编号属性外你不能真正模糊化这些属性（如果我错了请纠正我），我不知道这是怎么回事可以改善任何东西，而不是一起推销。

如何使用机器模糊逻辑来改善机器学习？大多数时候，您在大多数网站上找到的玩具示例似乎都不适用。

Answer 1

当变量具有自然形状解释时，建议使用模糊逻辑。例如，[极少数，少数，许多，非常多]对值的重叠梯形解释有很好的解释。

颜色等变量可能不会。模糊变量表示成员资格，当它们变得有用时。

关于机器学习，它取决于您想要应用模糊逻辑的算法阶段。在我发现群集（使用传统的学习技术）确定每个群集的搜索空间中某个点的成员资格程度后，我会更好地应用它，但这不会改善每次观看的学习，但是学习。

Answer 2

我不清楚你在给出的例子中想要完成什么（形状，颜色等）。模糊逻辑已成功用于机器学习，但我个人认为它在构建策略时可能更有用。我推荐你阅读我在2002年3月/ 4月发行的“PC AI”杂志上发表的一篇文章，而不是继续谈论它，希望能够明确这个想法：

Putting Fuzzy Logic to Work: An Introduction to Fuzzy Rules

Answer 3

圆形，方形，三角形主要是理想的类别，主要存在于几何中（即理论上）。在现实世界中，一些形状可能几乎是正方形或更多或更少圆形（圆形）。红色有许多细微差别，有些颜色更接近其他颜色（例如，请女性解释绿松石）。因此，抽象类别和一些特定值也可用作参考，在现实世界中，对象或值不一定等于这些。

模糊成员资格允许您测量一些理想的特定对象的距离。使用此度量可以避免“不，它不是循环”（可能导致信息丢失）并使用给定对象（非）循环的度量。

Answer 4

在我看来，模糊逻辑对任何事物都不是一种切实可行的方法，除非你正在建立一个目的构建模糊控制器或一些基于规则的结构，如合规/策略。虽然，模糊意味着处理0和1之间的所有事物。然而，当你接近需要在三维空间中应用模糊逻辑方面的更复杂的问题时，我发现它有点有缺陷。您仍然可以在不必查看模糊逻辑的情况下接近多变量。不幸的是，对于我研究过模糊逻辑的问题，我发现自己不同意大尺寸空间中模糊集中所采用的原则，这似乎是不可行的，不实用的，而且逻辑上不是很合理。您将在模糊集解决方案中应用的自然语言基础也将是非常特别的[非常，很少，很多]这就是您在应用程序中定义的所有内容。 很多，在机器学习方面，你会发现你甚至不必为你的模型建立自然语言基础。实际上，您会发现无需将模糊逻辑应用到模型的任何方面，您就可以获得更好的结果。

Answer 5

通过强行添加模糊性来激怒你。如果而不是“形状”属性，你有一个“边数”属性，它将进一步划分为“less”，“medium”，“many”和“uncountable”< / em>的。在给定适当的隶属函数的情况下，广场可能是“较少”和“中等”的一部分。代替“color”属性，如果你有“红色”属性，那么使用RGB代码，就可以创建一个隶属函数。因此，我在数据挖掘方面的经验表明，每个方法都可以应用于每个数据集，哪些方法有效，有效。

Answer 6

难道不能只将离散集转换为连续集并获得与模糊性相同的效果，同时能够使用概率论的所有技术吗？

例如尺寸['小'，'中'，'大'] ==＆gt; [0,1]