$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

퍼지 소속도 함수와 가중치 평균을 이용한 지도 학습 기반 분류기 설계
Design of a Classifier Based on Supervised Learning Using Fuzzy Membership Function and Weighted Average 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.4, 2021년, pp.508 - 514  

우영운 (Division of Creative Software Eng., Dong-eui University)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 지도 학습 기반의 분류기 제안을 위해, 분류 데이터의 각 특징별 소속도를 결정하는 3가지 종류의 퍼지 소속도 함수를 제안하였다. 또한 각 특징별 소속도들의 평균값을 이용하여 분류 결과를 도출하는 과정에 사용되는 평균값 산출 기법을 단순 산술평균이 아닌 다양한 가중치를 활용한 가중치 평균을 이용함으로써 분류기 성능을 향상시킬 수 있는 가능성을 제시하였다. 제안한 기법들의 실험을 위해 Iris, Ecoli, Yeast의 3가지 표준 데이터 세트를 사용하였다. 실험 결과, 서로 다른 특성의 데이터 세트들에 대해서도 고르게 우수한 분류 성능이 얻어질 수 있음을 확인하였고, 기존에 발표된 다른 기법들에 의한 해당 데이터 세트들의 분류 성능과 비교했을 때, 퍼지 소속도 함수의 개선과 가중치 평균 기법의 개선을 통해 더욱 우수한 분류 성능이 가능함을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, to propose a classifier based on supervised learning, three types of fuzzy membership functions that determine the membership of each feature of classification data are proposed. In addition, the possibility of improving the classifier performance was suggested by using the average va...

주제어

#지도 학습   #분류기   #퍼지 소속도 함수   #가중치 평균  

표/그림 (9)

참고문헌 (15)

  1. C. Augenstein, N. Spangenberg, and B. Franczyk, "Applying machine learning to big data streams : An overview of challenges," 2017 IEEE 4th International Conference on Soft Computing & Machine Intelligence (ISCMI), pp. 25-29, Nov. 2017. 

  2. H. J. Kim, Pattern Recognition and Machine Learning, Jpub, Seoul, 2018. 

  3. G.-W. Lee, H. Lee, and H.-W. Cheong, "Object Detection of AGV in Manufacturing Plants using Deep Learning," Journal of the Korea Institute of Information and Communication Engineering, vol. 25 no. 1, pp. 36-43, 2021. 

  4. M. Sewak, S. K. Sahay, and H. Rathore, "An Overview of Deep Learning Architecture of Deep Neural Networks and Autoencoders," Journal of Computational and Theoretical Nanoscience, vol. 17, no. 1, pp. 182-188, Jan. 2020. 

    상세보기

  5. S. Behera and M. N. Mohanty, "Classification of EEG Signal Using SVM," Advances in Electrical Control and Signal Systems, vol. 665, pp. 859-869, Jul. 2020. 

  6. H. Wang, Z. Xu, and W. Pedrycz, "An overview on the roles of fuzzy set techniques in big data processing: Trends, challenges and opportunities," Knowledge-Based Systems, vol. 118, pp. 15-30, Feb. 2017. 

  7. M. Granik and V. Mesyura, "Fake news detection using naive Bayes classifier," 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), Kyiv, UKraine, pp. 900-903, 2017. doi: 10.1109/UKRCON.2017.8100379. 

  8. UCI Machine Learning Repository [internet]. Available: https://archive.ics.uci.edu/ml/index.php. 

  9. A. Kandel, Fuzzy Techniques in Pattern Recognition, John Wiley & Sons Inc., New Jersey, 1982. 

  10. S. H. Shin, J. H. Cho, and Y. W. Woo, "Weight Adjustment Methods Based on Statistical Information for Fuzzy Weighted Mean Classifiers," Journal of the Korea Society of Computer and Information, vol. 14, no. 7, pp. 9-15, Jul. 2009. 

  11. S. Han and Y. W. Woo, "Fuzzy Classifier and Bispectrum for Invariant 2-D Shape Recognition," Journal of Korea Multimedia Society, vol. 3, no. 3, pp. 241-252, Mar. 2000. 

    상세보기

  12. K-fold Corss Validation [Internet]. Available: https://medium.datadriveninvestor.com/k-fold-cross-validation-6b8518070833. 

  13. D. Kharche, K. Rajeswari, and D. Abin, "Comparison of Different Data Set Using Various Classification Techniques with WEKA," International Journal of Computer Science and Mobile Computing, vol. 3, no. 4, pp. 389-393, Apr. 2014. 

  14. Which Machine Learning Classifier Is the Best on 18 UCI Datasets? [internet]. Available: https://abidlabs.github.io/uci-datasets. 

  15. R. Cerri, R. R. O. da Silva, and A. C. P. L. F. de Carvalho, "Comparing Methods for Multilabel Classification of Proteins Using Machine Learning Techniques," Lecture Notes in Computer Science, vol. 5676, pp. 109-120, Jul. 2009. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로