The fuzzy multivariate rule buildin

The fuzzy multivariate rule building export system (FuRES) is applied to solve classification problems using two pyrolysis
mass spectral data sets. The first data set contains three types of milk (from cow, goat and ewe) and the second data set
contains two types of olive oils (adulterated and extra virgin). The performance of FuRES is compared with a selection of
well-known classification algorithms: backpropagation artificial neural networks (ANNs), canonical variates analysis (CVA),
classification and regression trees (CART), the K-nearest neighbour method (KNN) and discriminant partial least squares
(DPLS). In terms of percent correct classification the DPLS and ANNs were best since all test set objects in both data sets
were correctly classified. FuRES was second best with 100% correct classification for the milk data set and 91% correct
classification for the olive oil data set, while the KNN method showed 100% and 61% for the two data sets. CVA had a 100%
correct classification for the milk data set, but failed to form a model for the olive oil data set. The percent correct
classifications for the CART method were 92% and 74%, respectively. When both model interpretation and predictive ability
are taken into consideration, we consider that the ranking of these methods on the basis of these two data sets is in order of
decreasing utility: DPLS, FuRJZS, ANNs, CART, CVA and KNN.

ผลลัพธ์ (ไทย) 1:

กฎตัวแปรพหุเอิบอาคารระบบส่ง (FuRES) จะใช้เพื่อแก้ปัญหาการจัดประเภทโดยใช้ไพโรไลซิสอง
มวลสเปกตรัมชุดข้อมูล ข้อมูลชุดแรกประกอบด้วยสามชนิด (จากวัว แพะ และ ewe) และชุดข้อมูลที่สอง
ประกอบด้วยสองชนิดของน้ำมันมะกอก (เจือ และสกัด) เปรียบเทียบกับการเลือกของ FuRES
อัลกอริทึมประเภทห้องพัก: backpropagation ประดิษฐ์ประสาทเครือข่าย (ANNs), วิเคราะห์มาตรฐาน variates (CVA),
ต้นไม้ประเภทและถดถอย (รถเข็น), K ใกล้ neighbour วิธี (KNN) และกำลังสองน้อยที่สุดบางส่วน discriminant
(DPLS) ในรูปแบบของเปอร์เซ็นต์แก้ไขประเภท DPLS และ ANNs สุดเนื่องจากทั้งหมดทดสอบวัตถุการตั้งค่าในชุดข้อมูลทั้งสอง
จัดได้อย่างถูกต้อง FuRES มีสองส่วน ด้วยจัดประเภทถูกต้อง 100% สำหรับชุดข้อมูลนม และ 91% แก้ไข
ประเภทน้ำมันมะกอกชุดข้อมูล ในขณะที่วิธี KNN พบ 100% และ 61% สำหรับชุดข้อมูลสองชุด CVA ได้ 100%
จัดประเภทที่ถูกต้องสำหรับข้อมูลนมตั้ง แต่ไม่สามารถจัดรูปแบบชุดข้อมูลน้ำมันมะกอก เปอร์เซ็นต์ที่ถูกต้อง
จัดประเภทวิธีเข็นได้ 92% และ 74% ตามลำดับ เมื่อทั้งสองรูปแบบตีความและความสามารถในการคาดการณ์
ถูกนำพิจารณา เราพิจารณาว่า การจัดอันดับของวิธีการเหล่านี้โดยใช้ชุดข้อมูลเหล่านี้สองเป็นลำดับ
ลดยูทิลิตี้: DPLS, FuRJZS, ANNs รถเข็น CVA และ KNN

ผลลัพธ์ (ไทย) 2:

ระบบการส่งออกอาคารกฎหลายตัวแปรเลือน (Fures) ถูกนำไปใช้ในการแก้ปัญหาการจัดหมวดหมู่การใช้สองไพโรไลซิ
สเปกตรัมมวลชุดข้อมูล ข้อมูลชุดแรกที่มีสามประเภทของนม (จากวัวแพะและแกะ) และข้อมูลชุดที่สอง
มีสองประเภทของน้ำมันมะกอก (ปลอมปนและบริสุทธิ์พิเศษ) ประสิทธิภาพการทำงานของ Fures เมื่อเทียบกับการเลือกของ
ที่รู้จักกันดีขั้นตอนวิธีการจัดหมวดหมู่: backpropagation เครือข่ายประสาทเทียม (ANNs) ยอมรับ variates วิเคราะห์ (CVA),
การจัดหมวดหมู่และต้นไม้ถดถอย (รถเข็น), K-วิธีการที่ใกล้เคียงที่สุดเพื่อนบ้าน (KNN) และจำแนก สี่เหลี่ยมอย่างน้อยบางส่วน
(DPLS) ในแง่ของการจัดหมวดหมู่ที่ถูกต้องร้อยละ DPLS และ ANNs ได้ดีที่สุดนับตั้งแต่วัตถุทั้งหมดที่ชุดทดสอบทั้งในชุดข้อมูลที่
ถูกจัดอย่างถูกต้อง Fures เป็นครั้งที่สองที่ดีที่สุดกับ 100% การจัดหมวดหมู่ข้อมูลที่ถูกต้องสำหรับนมที่กำหนดและ 91% ที่ถูกต้อง
สำหรับการตั้งค่าการจัดหมวดหมู่ข้อมูลน้ำมันมะกอกในขณะที่แสดงให้เห็นวิธีการ KNN 100% และ 61% สำหรับข้อมูลทั้งสองชุด CVA มี 100%
การจัดหมวดหมู่ที่ถูกต้องสำหรับนมชุดข้อมูล แต่ล้มเหลวในการสร้างแบบจำลองสำหรับชุดข้อมูลที่น้ำมันมะกอก ร้อยละที่ถูกต้อง
สำหรับวิธีการจำแนกประเภทสินค้าที่เป็น 92% และ 74% ตามลำดับ เมื่อทั้งสองการตีความรูปแบบและความสามารถในการคาดการณ์
จะถูกนำเข้าสู่การพิจารณาเราพิจารณาว่าการจัดอันดับของวิธีการเหล่านี้อยู่บนพื้นฐานของข้อมูลทั้งสองชุดที่อยู่ในคำสั่งของ
ยูทิลิตี้ลดลง: DPLS, FuRJZS, ANNs, รถเข็น CVA และ KNN

ผลลัพธ์ (ไทย) 3:

กฎฟัซซีแบบอาคารส่งออกระบบ ( fures ) มาใช้เพื่อแก้ไขปัญหาการใช้สองไพโร
มวลสเปกตรัมข้อมูลชุด ข้อมูลชุดแรกประกอบด้วยสามชนิดของนม ( วัว แพะ แกะ ) และข้อมูลชุดที่สอง
ที่มีสองประเภทของน้ำมันมะกอก ( เจือปนและบริสุทธิ์พิเศษ ) ประสิทธิภาพของ fures เปรียบเทียบกับการเลือกของ
หมวดหมู่ : ขั้นตอนวิธีที่เป็นที่รู้จักแบบโครงข่ายประสาทเทียม ( แอนน์ ) , การวิเคราะห์ variates Canonical ( CVA )
การจำแนกและการถดถอยต้นไม้ ( รถเข็น ) , วิธีการเพื่อนบ้านละ ( knn ) และการจำแนกบางส่วนอย่างน้อย
( dpls ) ในแง่ของเปอร์เซ็นต์ที่ถูกต้องและมีการจำแนก dpls ทางที่ดีที่สุดตั้งแต่ชุดทดสอบทั้งหมดวัตถุทั้งในชุดข้อมูล
จำแนกได้อย่างถูกต้องfures เป็นที่สองที่ดีที่สุดกับถูกต้อง 100% หมวดหมู่สำหรับนมชุดข้อมูล และร้อยละ 91 หมวดหมู่ถูกต้อง
สำหรับน้ำมันมะกอกชุดข้อมูลในขณะที่ knn วิธีทดสอบ 100% และ 61% สำหรับข้อมูลสองชุด CVA มี 100 %
แก้ไขหมวดหมู่สำหรับนมชุดข้อมูล แต่ล้มเหลวในการสร้างโมเดลสำหรับน้ำมันมะกอกชุดข้อมูล เปอร์เซ็นต์ที่ถูกต้อง
หมวดหมู่สำหรับรถเข็นวิธี 92% และ 74 %ตามลำดับ เมื่อทั้งสองรูปแบบการตีความและทำนายความสามารถ
จะพิจารณา เราพิจารณาว่า การจัดอันดับของวิธีการเหล่านี้บนพื้นฐานของข้อมูลสองชุดนี้อยู่ในคำสั่งของการใช้สอย dpls furjzs
, , ทาง , รถเข็น , CVA กับ knn .