DOI: https://doi.org/10.20998/2522-9052.2020.4.07

Побудова системи підтримки прийняття рішень на основі нечітких даних

Vitaly Levashenko, Oleksii Liashenko, Heorhii Kuchuk

Анотація


Розробка інструментарію оцінки прийнятих рішень є актуальним і потрібним завданням на сучасному етапі розвитку інформаційних технологій. Таким інструментарієм є, наприклад, системи підтримки прийняття рішень (СППР). У роботі пропонується математичний апарат побудови СППР. Побудова СППР передбачає аналіз наявних результатів спостережень або вимірювань і вироблення стратегії перевірок вихідних параметрів у вигляді дерева нечітких рішень або продукційних правил. Основу запропонованого апарата становлять сумарні інформаційні оцінки (інформація і ентропія) для нечітких наборів даних. Використання нечітких даних найбільш повно відповідає людській природі, оскільки на практиці люди часто застосовують суб'єктивні відчуття і апріорні знання, ніж точні імовірнісні критерії. Тому, використовуючи нечітку логіку і розглядаючи ступінь можливості як нечітку міру, експерти мають можливість описувати реальні дані з достатньою точністю. Досліджено взаємозв'язок запропонованих сумарних інформаційних оцінок. В роботі наведені приклади, що демонструють використання запропонованого математичного апарату для практичних задач. У подальшій роботі автори планують привести результати експериментальних досліджень запропонованого підходу і його зіставлення з іншими відомими методами і алгоритмами. Зазначене зіставлення представляється для широкого різноманіття формалізованих даних, що зберігаються в відомому репозиторії UCI Machine Learning Repository. У якості зіставлених методів і алгоритмів планується вибрати інші алгоритми побудови дерев нечітких рішень, алгоритми байєсівської класифікації, побудови дерев рішень C4.5, CART і метод найближчих сусідів.


Ключові слова


cистеми підтримки прийняття рішень; нечітка логіка; дерева нечітких рішень

Повний текст:

PDF (Русский)

Посилання


Enoki, H., Takami, K., Kobayashi, Y. and Ohta, T. (1994), “Switching function conceptual model for telecommunication service specification design”, Proc. of the IEEE Global Telecommunications Conf., vol. 2, San Francisco, USA, pp. 818-822.

Levashenko, V., Zaitseva, E., Kovalík, Š. (2013), Projektovanie systémov pre podporu rozhodovania na základe neurčitých dát, EDIS Publ., Zilina, Slovakia, ISBN 978-80-554-0680-0.

Quinlan, J.R. (1990), “Decision Tree and Decision Making”. IEEE Trans. on Syst., Man and Cyb., vol. 20, no. 2, pp. 339-346.

Hullermeier, E. and Vanderlooy, S. (2009), “Why Fuzzy Decision Trees are Good Rankers”, IEEE Transactions on Fuzzy Systems, vol. 17, no. 6, pp. 1233-1244.

Yong, S., Lin, M., Robinson, W. and Fidge, C. (2010), “Using decision trees in economizer repair decision making”, Proc. of the Int. Conf. on Prognostics and Health Management (PHM), Portland, USA, pp. 1-6.

Lee, H-M., Chen, C.-M., Chen, J.-M. and Jou, Y.-L. (2001), “An Efficient Fuzzy Classifier with Feature Selection Based on Fuzzy Entropy”, IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics, vol. 31, no. 3, pp. 426-432.

Garcia, S., Luengo, J., Saez, J., Lopez, V. and Herrera, F. (2013), “A Survey of Discretization Techniques: Taxonomy and Empirical Analysis in Supervised Learning”, IEEE Trans. on Knowledge and Data Engineering, vol. 24, no. 5, pp. 734-750.

Yuan, Y. and Shaw, M.J. (1995), “Induction of Fuzzy Decision Trees”, Fuzzy Sets and Systems, vol. 69, pp. 125-139.

Wang, X., Chen, B., Qian, G. and Ye, F. (2000), “On the Optimization of Fuzzy Decision Trees”, Fuzzy Sets and Systems, vol. 112, pp. 117–125.

Levashenko, V., Zaitseva, E. and Puuronen, S. (2007), “Fuzzy classifier based on fuzzy decision tree”, Proc. of the IEEE Int. Conf. on Computer as a Tool (EUROCON), Warsaw, Poland, pp. 823– 827.

Gasir, F., Crockett, K., and Bandar, Z. (2012), “Inducing fuzzy regression tree forests using artificial immune systems”, Inter-national Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, vol. 20, pp. 133–157.

Zhai, J., Wang, X., Zhang, S. and Hou, S. (2018), “Rough fuzzy decision tree”, Information Sciences, vol. 465, pp.425–438.

Ahmadi, H., Gholamzadeh, M., Shahmoradi, L., Nilashi, M. and Rashvand, P. (2018), “Diseases diagnosis using fuzzy logic methods: A systematic and meta-analysis review”, Computer Methods and Programs in Biomedicine, vol. 161, pp. 145–172.

Olaru, C. and Whenkel, L. (2003), “A complete fuzzy decision tree technique”, Fuzzy Sets and Systems, vol.138, pp.221–254

Rabcan, J., Levashenko, V., Zaitseva, E., Kvassay, M. and Subbotin, S. (2019), “Application of fuzzy decision tree for signal classification'', IEEE Transactions on Industrial Informatics, vol. 15, no. 10, pp. 5425-5434, doi: 10.1109/TII.2019.2904845.

Levashenko, V., Zaitseva, E., Kvassay, M. and Deserno T. (2016), “Reliability estimation of healthcare systems using fuzzy decision trees”, Proc. of the Fed. Conf. on Comp. Science and Inf. Systems (FedCSIS), Gdansk, Poland, 2016, pp. 331–340.

Kurbatsky, A.N. and Cheushev, V.A. (1999), Informational method of analysis and optimization in decision support systems. Ed. Institute of Technical Cybernetics, Minsk, Belarus.

Zaitseva, E. and Levashenko, V. (2016), “Construction of a reliability structure function based on uncertain data”, IEEE Trans-action on Reliability, vol. 65, no. 4, pp. 1710–1723.

Zaitseva, E., Levashenko, V., Rabcan, J. and Krsak, E. (2020), “Application of the Structure Function in the Evaluation of the Human Factor in Healthcare”, Symmetry Basel, vol.12, no. 93; doi:10.3390/sym12010093.




Copyright (c) 2021 Vitaly Levashenko, Oleksii Liashenko, Heorhii Kuchuk