73、模糊回归树森林算法与RDF参与式学习分析

模糊回归树森林算法与RDF参与式学习分析

模糊回归树相关算法

在机器学习领域，模糊回归树算法是处理数据不确定性的有效工具。其中，Elgasir模糊回归树算法基于CHAID算法，通过使用梯形隶属函数和Takagi - Sugeno模糊推理，将数据中典型的不确定性程度纳入考虑，用于聚合最终的连续输出值。它缓解了Fowdar的去模糊化问题，因为它使用Takagi - Sugeno模糊推理将模糊回归树的输出聚合为单个数值。

模糊决策树森林或集合允许将模糊决策树的概念应用于同一领域的不同模型组合。例如，Bonissone等人使用模糊学习算法，基于Breiman的方法创建单个模糊树，然后应用不同的叶信息组合配置；Crockett等人从非模糊的真实世界数据中创建多个模糊C4.5决策树，选择信息含量从高到低的属性作为根属性；Cadenas等人使用模糊随机森林集合方法为分类问题选择特征，降低了维度并提高了分类准确性。不过，该领域的工作主要集中在分类问题上，关于回归问题的研究较少。

Elgasir算法

Elgasir算法的目标是将适当的隶属函数应用于所有分支分割点，以克服清晰决策树的弱点，使整个树中使用的所有信息都能对结果做出贡献。它基于Kass的CHAID算法，CHAID是一种高效的统计技术，用于诱导易于人类解释的标准回归树。为了减少节点的严格划分并表示不确定性，Elgasir结合了模糊理论和Takagi - Sugeno模糊推理技术，生成了类型1的模糊回归树。为了优化整个树的模糊集边界，应用了人工免疫网络模型的改进版本（opt - aiNet）。

Elgasir算法的步骤如下：
1. 数据划分 ：使用多折