xma*_*ist 3 computer-science machine-learning fuzzy-logic data-structures
我正在阅读模糊逻辑,我只是看不出它在大多数情况下如何改进机器学习算法(它似乎相对经常应用).
例如,k个最近的邻居.如果你有很多属性color: [red,blue,green,orange], temperature: [real number], shape: [round, square, triangle],你可能不会真正模糊这些属性除了真正的编号属性(请纠正我,如果我错了),我不知道这怎么可以改善任何东西比把东西拼凑在一起.
机器模糊逻辑如何用于改善机器学习？大多数时候,您在大多数网站上找到的玩具示例似乎都不适用.
当变量具有自然形状解释时,建议使用模糊逻辑.例如,[极少数,少数,许多,非常多]对值的重叠梯形解释有很好的解释.
像颜色这样的变量可能不会.模糊变量表示成员资格,即当它们变得有用时.
关于机器学习,它取决于您想要应用模糊逻辑的算法阶段.在我发现群集(使用传统的学习技术)确定每个群集的搜索空间中某个点的成员资格程度之后,我会更好地应用它,但这不会改善每次观看的学习,但是学习.