13、在线分类与预测中的创新方法及电子学习中的概念分析应用

在线分类与预测中的创新方法及电子学习中的概念分析应用

1. 评级多分类波纹向下规则（RM）的原理与计算方法

在处理分类和预测问题时，RM 方法有着独特的计算流程。首先，对于每个类别，通过计算实际总得分 (t_a) 与该类别可能的最大总得分 (t_m) 的比值，得到百分比 (p)，公式为：
[p = \frac{t_a}{t_m}]
例如，对于案例 A 的分类 C1，实际总分为 2，最大可能隶属度为 6（表 1 中 C1 行的最大值），则隶属百分比 (p) 为 33%。

接着，为每个类别随机选择一个最高值点，即中心 (c)，用百分比 (p) 减去中心值 (c) 并平方，得到距离度量 (d)：
[d = (p - c)^2]
为了拉伸或压缩围绕中心的能量模式，引入宽度修正因子 (w)。

当存在多个类别时，所有类别的中心组合代表专家的最高激活点，即峰值。通过取距离总和的平方根，可以得到与这个组合中心的距离。这个距离可用于计算案例实际评级的较低值。在本文中，使用高斯函数来计算与距离相关的降低程度，计算每个可能峰值 (v_p) 的组合函数为：
[v_p = \frac{1}{1 + \sum_{j = 1}^{n} \left(\frac{t_{a_j}}{t_{m_j}} - c_j\right)^2 w_j^{0.5}} - 0.5]
其中，(n) 是数据集中的类别数量。

在能量空间中可能存在多个峰值，每个类别针对每个峰值都有一个中心。每个峰值都按上述方式计算，得到多个值，专家选择最高值作为案例的实际评级。

2. 实验所用数据集

为了测试 RM 方法，使用了六个数