分類正確率與計算時間的比較

在這一節中，我們比較了 Ishibuchi 等人於[17]中所提出的 hybrid fuzzy GBML 演算法，與我們於 4.6 節中所提出的改良式 fuzzy GBML 演算法，兩者之間的分類正確率、分類錯誤率及計算時間。

Hybrid Our Hybrid Our Breast W 98.08 98.13 1.91 1.87 Diabetes 78.25 78.80 21.68 21.16

Glass 72.84 69.58 26.14 30.36 Heart C 60.78 66.40 38.37 33.20

Iris 98.46 98.89 1.54 1.11

Sonar 89.71 88.85 10.28 11.15

Wine 99.78 99.80 0.22 0.20

Data Set Correct (%) Error (%)

表 5.7 分類正確率及分類錯誤率的比較

實驗結果（表 5.7）顯示，某些 data set 會比較適合特定的模糊推 論方法及模糊模型。例如，在 Glass data、Heart C data 及 Sonar data

中，兩種 fuzzy GBML 演算法的分類正確率分別相差了 3.26%、5.62%

及 0.86%。發生這種情形時，我們還是希望能夠從中挑選出一個較適 合此 data set 的模糊模型。而當模糊推論方法對 data set 的分類正確率 影響較小時（例如，Breast W data、Diabetes data、Iris data 及 Wine data），我們的改良式 fuzzy GBML 演算法通常擁有較 hybrid fuzzy GBML 演算法略佳的分類正確率。

Hybrid Our

Breast W 828 412

Diabetes 856 431

Glass 860 388

Heart C 1118 596

Iris 167 73

Sonar 1085 636

Wine 227 101

Data Set Time (s)

表 5.8 計算時間的比較

而在計算時間方面，雖然不同效能的實驗平台（PC）將有不同的計 算時間，但若依計算時間的比例來看，改良式 fuzzy GBML 演算法所 需的計算時間約只有 hybrid fuzzy GBML 演算法的 49.34%（7 個 data sets 的平均值）。

5.4 收歛速度的比較

在這一節中，我們比較了 hybrid fuzzy GBML 演算法與改良式 fuzzy GBML 演算法的收斂速度。在本論文中，我們以計算時間來比 較兩者之間的收斂速度。

Breast W Data

80.00 85.00 90.00 95.00 100.00

0 10 20 30 40 50

圖 5.1 Breast W Data 的收斂速度比較

圖中的水平軸代表計算時間，單位為秒（second），垂直軸代表分類 正確率，單位為百分比（%）。菱形所連成的曲線代表 hybrid fuzzy GBML 演算法的收斂曲線，而正方形所連成的曲線則代表改良式 fuzzy GBML 演算法的收斂曲線。

實驗結果顯示，改良式 fuzzy GBML 演算法不但收斂速度較快，

初始 rule set 的分類正確率亦較高。以下為剩餘的六個 data sets 之收 斂速度比較圖。

Diabetes Data

30.00 40.00 50.00 60.00 70.00 80.00

0 10 20 30 40 50

圖 5.2 Diabetes Data 的收斂速度比較

Glass Data

25.00 35.00 45.00 55.00 65.00 75.00

0 10 20 30 40 50

圖 5.3 Glass Data 的收斂速度比較

Heart C Data

25.00 35.00 45.00 55.00 65.00

0 10 20 30 40 50

圖 5.4 Heart C Data 的收斂速度比較

Iris Data

40.00 50.00 60.00 70.00 80.00 90.00 100.00

0 1 2 3 4 5

圖 5.5 Iris Data 的收斂速度比較

Sonar Data

15.00 35.00 55.00 75.00 95.00

0 20 40 60 80 100

圖 5.6 Sonar Data 的收斂速度比較

Wine Data

10.00 25.00 40.00 55.00 70.00 85.00 100.00

0 4 8 12 16 20

圖 5.7 Wine Data 的收斂速度比較

第六章 結論

本論文提出了一種改良式 fuzzy GBML 演算法來減少過去的 hybrid fuzzy GBML 演算法所需的計算時間、加快其收歛速度，且還 提升了些微的分類正確率。

本論文首先說明了，當匹茲堡式演算法使用多結論類別的 fuzzy rules 與 weighted voting 的模糊推論方法（MW 模糊模型）時，計算 速度將較其使用單一結論類別的 fuzzy rules 與 single winner rule 的模 糊推論方法（SS 模糊模型）來的快速。接著說明了，當匹茲堡式演 算法使用了 MW 模糊模型之後，不適合再使用密西根式演算法。最 後，我們提出了一種改良式 fuzzy GBML 演算法，先以 MW 模糊模 型取代了原本 hybrid fuzzy GBML 演算法所使用的 SS 模糊模型，再 以一個 heuristic procedure 來取代原本的密西根式演算法。

在本論文及[17]中，均使用了許多 heuristic 的參數值。例如，P_c、

Pm、N_replace以及P_don'tcare等等，如何依不同的 data set 找出最適合的參

數值，使得改良式 fuzzy GBML 演算法所建構的 FRBCS 對每個 data set 的正確分類率均為最佳，我們認為這是未來另一個可以研究的方向。

參考文獻

[1]. L. A. Zadeh, “Fuzzy sets,” Information and Control, vol.8, pp.338-353, 1965.

[2]. L. X. Wang, a Course in Fuzzy Systems and Control. Prentice Hall, 1997.

[3]. L. X. Wang and J. M. Mendel, “Generating fuzzy rules by learning from examples,” IEEE Transactions on Systems, Man, and

Cybernetics, vol.22, no.6, pp.1414-1427, 1992.

[4]. J. S. R. Jang, “Self-learning fuzzy controllers based on temporal back propagation,” IEEE Transactions on Neural Networks, vol.3, no.5, pp.714-723, 1992.

[5]. M. Grabisch and F. Dispot, “A comparison of some methods of fuzzy classification on real data,” in Proc. 2^nd

Int. Conf. Fuzzy Logic Neural Networks, Iizuka, Japan, July 1992, pp.659-662.

[6]. J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function

Algorithms. New York: Plenum, 1981.

[7]. J. H. Holland, Adaptation in Natural and Artificial Systems.

University of Michigan Press, 1975.

[8]. D. E. Goldberg, Genetic Algorithms in Search, Optimization, and

Machine Learning. Addison Wesley, 1989.

[9]. P. Thrift, “Fuzzy logic synthesis with genetic algorithms,” in Proc.

4

^th

Int. Conf. Genetic Algorithms, University of California, San

Diego, July 13-16, 1991, pp.509-513.

[10]. H. Nomura, I. Hayashi, and N. Wakami, “A self-tuning method of fuzzy reasoning by genetic algorithm,” in Proc. of the Int. Fuzzy

Systems Intelligent Control Conf., Louisville, KY, Mar. 16-18,1992,

pp.236-245.

[11]. M. Valenzuela-Rendon, “The fuzzy classifier system: a classifier system for continuously varying variables,” in Proc. 4^th

Int. Conf.

Genetic Algorithms, University of California, San Diego, July 13-16,

1991, pp.346-353.

[12]. C. Z. Janikow, “A genetic algorithm for optimizing fuzzy decision trees,” in Proc. 6^th

Int. Conf. Genetic Algorithms, University

Pittsburgh, Pittsburgh, PA, July 15-19, 1995, pp.421-428.

[13]. Y. Yuan and H. Zhuang, “A genetic algorithm for generating fuzzy classification rules,” Fuzzy Sets System, vol.84, no.1, pp.1-19, Nov.

1996.

[14]. S. Abe and M. -S. Lan, “A method for fuzzy rules extraction directly from numerical data and its application to pattern classification,”

IEEE Transactions on Fuzzy Systems, vol.3, no.1, pp.18-28, Feb.

1995.

[15]. S. F. Smith, “A learning system based on genetic algorithms,” Ph.D.

dissertation, University Pittsburgh, Pittsburgh, PA, 1980.

[16]. L. B. Booker, D. E. Goldberg, and J. H. Holland, “Classifier systems and genetic algorithms,” Artificial Intelligence, vol.40, pp.235-282, Sep. 1989.

[17]. H. Ishibuchi, T. Yamamoto, and T. Nakashima, “Hybridization of fuzzy GBML approaches for pattern classification problems,” IEEE

Transactions on Systems, Man, and Cybernetics B, vol.35, no.2,

pp.359-365, Apr. 2005.

[18]. H. Ishibuchi, T. Nakashima, and T. Murata, “Performance evaluation of fuzzy classifier systems for multi-dimensional pattern classification problems,” IEEE Transactions on Systems, Man, and

Cybernetics B, vol.29, no.5, pp.601-618, Oct. 1999.

[19]. H. Ishibuchi and T. Nakashima, “Improving the performance of fuzzy classifier systems for pattern classification problems with

In document 利用基因演算法產生模糊分類系統 (Page 55-64)