5、不确定性环境下的决策树与聚类方法

不确定性环境下的决策树与聚类方法

1. 参数细化算法

参数细化算法旨在从给定的训练集中提取一组模糊的 if-then 规则，并对这些规则进行处理以得到一组权重参数。以下是该算法的详细步骤：
1. 规则提取 ：根据给定的学习算法（如模糊决策树）从训练集中提取一组模糊 if-then 规则。
2. 规则分组 ：将这些规则分为 K 组（K 为类别数），使得同一组中的规则具有相同的结果。
3. 向量获取 ：对于每组规则，将训练对象与初始的 if-then 规则进行匹配，通过公式 (2.32) 得到向量 Ai。
4. 参数向量表达与索引集确定 ：将参数向量表示为 (2.31)，并通过公式 (2.29) 确定索引集 I。
5. 整数确定 ：对于每个 i ∈ I，根据公式 ji = arg max1≤j≤K d(i)j（定义为 (2.28)）确定整数 ji。
6. 二次规划问题求解 ：求解由二次目标函数 (2.33) 在满足线性约束 (2.36) 下的二次规划问题。
7. 结果输出 ：输出 (2.33) 的解，即一组权重参数。

这里可能会有人质疑，当使用最大模糊熵原理调整权重时，由于最大模糊熵在所有输出分量为 0.5 时达到，如何确定确切的类别。但实际上，由于训练对象的数量远大于规则（权重）的数量，并且存在许多约束条件，基于最大熵的权重调整几乎不可能使所有类别输出都为 0.5。 </