Results with Data Set #1 2.1 Statis

Results with Data Set #1 2.1 Statistical Method Classification data mining is often accomplished on a statistical basis with a logistic regression model. In order to compare performance of the fuzzy model logistic regression was applied to the same data. The vehicle used was a Microsoft Excel add-in called XLMiner [16].
We report results obtained with several data sets here. Data set number 1 is “Mammographic Mass Data” made public by Schulz-Wendtland [17]. The mammographic Mass database consisted of the following parameters.
1. BI-RADS assessment: 1 to 5 (ordinal) 2. Age: patient's age in years (integer) 3. Shape: mass shape: round=1 oval=2 lobular=3 irregular=4 (nominal) 4. Margin: mass margin: circumscribed=1 microlobulated=2 obscured=3 ill-defined=4 spiculated=5 (nominal) 5. Density: mass density high=1 iso=2 low=3 fatcontaining=4 (ordinal) 6. Severity: benign=0 or malignant=1 (binominal)
Missing Attribute Values: - BI-RADS assessment: 2 - Age: 5 - Shape: 31 - Margin: 48 - Density: 76 - Severity: 0
The predicted classification is either benign or malignant. Cases with missing variables were removed. Summary of results are in the table A. For these calculations the gain of each individual fuzzy set was left constant during the aggregation (averaging) process but individual standard deviations were adjusted so as to narrow or increase the width of the membership function. Percentages shown are error percentages. The ratios, such as 7/270, show error count and total records in that classification.
Validation scores are the important ones from the point of view of data analysis. Also there is not a great deal of variation among results. This seems to match results from some other researchers in this area.
Training and validation scores are shown. As anticipated, training scores are slightly better. Using the genetic algorithm to optimize the membership functions contributed a slight improvement when the decision rule was based on the sum of membership values and made no improvement in overall accuracy when the product of membership values was used. In this latter instance it altered the probabilities for failures in detecting malignancy by increasing them with a consequent decrease in failures to classify as benign.
The genetic algorithm, like other training adjustments, worked to minimize the overall error in the training process. The hope is that this will project into improved performance with the validation partition data. It is true that some adjustment of the sigma values in the individual membership functions can be used to shift errors from one type to another while still maintaining overall error rate near constant.
In lieu of adjusting the standard deviations a weighting factor for each attribute can be adjusted. Of course, this is only possible when the aggregation function is a summation. Thus:
(16) ( ) )( 1 k Ak k n Ak x x b µµ == ∑
The coefficient k b applies to the attribute k. Results in this simple case are shown in Table B. And they are not markedly different from results previously obtained
At least in some instances weighting the membership functions is as useful as adjusting the individual shapes of the membership functions. It is not obvious that this would be the case. It does say that simple dynamic weighting adjustment during the training phase may be as useful as anything else. Results also suggest that the statistical logistic regression approach is about as valuable as the fuzzy logic approach. This is not the case in control systems where fuzzy logic performs exceedingly well. This paper reports on an empirical investigation with a limited amount of data. It offers no proof that statistical methods will always perform as well or less well as fuzzy methods. Not all researchers have reported a comparison so one hesitates to make generalized observations.

ผลลัพธ์ (ไทย) 1:

ผลชุดข้อมูล #1 2.1 วิธีการแบ่งประเภทข้อมูลเป็นข้อมูลการทำเหมืองแร่ได้ตามสถิติกับโมเดลถดถอยโลจิสติก เพื่อเปรียบเทียบประสิทธิภาพของการถดถอยโลจิสติกรุ่นเอิบใช้ข้อมูลเดียวกัน รถใช้ได้กับ Microsoft Excel add-in ที่เรียกว่า XLMiner [16] เรารายงานผลลัพธ์ที่ได้กับหลายชุดข้อมูลที่นี่ กำหนดหมายเลข 1 คือ "Mammographic มวลข้อมูล" ทำให้สาธารณะ โดย Schulz-Wendtland [17] ต่อมวล mammographic ประกอบด้วยพารามิเตอร์ต่อไปนี้ 1. ประเมิน BI RADS: 1-5 (เครื่องหมายสัญลักษณ์) 2 อายุ: อายุของผู้ป่วยในปี (จำนวนเต็ม) 3 รูปร่าง: มวลรูปร่าง: กลม =วงรี 1 = 2 lobular = 3 ผิดปกติ = 4 4 (ระบุ) กำไร: กำไรโดยรวม: circumscribed = 1 microlobulated = 2 บดบัง = 3 กำหนดป่วย = 4 spiculated = 5 5 (ระบุ) ความหนาแน่น: มวลความหนาแน่นสูง = 1 iso = 2 น้อย = 3 fatcontaining = 6 (เลขลำดับ) 4 ความรุนแรง: อ่อนโยน = 0 หรือร้าย = 1 (binominal) ไม่พบแอตทริบิวต์ค่า: -BI RADS ประเมิน: 2 - อายุ: 5 - รูปร่าง: 31 - กำไร: 48 - ความหนาแน่น: 76 - ความรุนแรง: 0 การจัดประเภทการคาดการณ์จะอ่อนโยน หรือร้ายแรง กรณีที่ มีตัวแปรไม่ถูกเอาออก สรุปผลที่อยู่ในตาราง a สำหรับการคำนวณเหล่านี้ กำไรของแต่ละแต่ละเซตวิภัชนัยที่เหลือคงที่ระหว่างการรวม (หาค่าเฉลี่ย) แต่ส่วนเบี่ยงเบนมาตรฐานแต่ละรายการถูกปรับปรุงเพื่อจำกัด หรือเพิ่มความกว้างของฟังก์ชันสมาชิก เปอร์เซ็นต์ที่แสดงเป็นเปอร์เซ็นต์ข้อผิดพลาด อัตราส่วน เช่น 7/270 แสดงจำนวนข้อผิดพลาดและระเบียนทั้งหมดในประเภทนั้น ตรวจสอบคะแนนสำคัญจากมุมมองของการวิเคราะห์ข้อมูลได้ ยัง มีไม่มากของความแปรปรวนระหว่างผลลัพธ์ นี้ดูเหมือนว่าจะตรงกับผลลัพธ์จากบางนักวิจัยอื่น ๆ ในบริเวณนี้ มีแสดงการฝึกอบรมและตรวจสอบคะแนน ตามที่คาดไว้ ฝึกคะแนนจะดีกว่าเล็กน้อย ใช้ขั้นตอนวิธีพันธุกรรมเพื่อเพิ่มฟังก์ชันสมาชิกส่วนปรับปรุงเล็กน้อยเมื่อกฎการตัดสินใจถูกตามผลรวมของค่าสมาชิก และไม่ปรับปรุงในความแม่นยำโดยรวมเมื่อใช้ผลิตภัณฑ์ของค่าสมาชิก ในกรณีหลังนี้ จะเปลี่ยนแปลงกิจกรรมสำหรับความล้มเหลวในการตรวจสอบ malignancy โดยการเพิ่มกับการลดทอดในความล้มเหลวในการจัดประเภทเป็นอ่อนโยน อัลกอริธึมพันธุ เช่นฝึกอบรมการปรับปรุงอื่น ๆ ทำงานเพื่อลดข้อผิดพลาดโดยรวมในการฝึกอบรม หวังจะให้นี้จะโครงการไปปรับปรุงประสิทธิภาพข้อมูลตรวจสอบพาร์ทิชัน มันเป็นความจริงว่า สามารถใช้ปรับปรุงบางค่าซิกมาในฟังก์ชันแต่ละสมาชิกจะเปลี่ยนข้อผิดพลาดจากชนิดหนึ่งไปยังอีกในขณะที่ยังคง รักษาอัตราข้อผิดพลาดโดยรวมใกล้คง ไปว่าใช้แทนส่วนเบี่ยงเบนมาตรฐานการปรับ สามารถปรับปรุงตัวน้ำหนักสำหรับแต่ละแอททริบิวต์ แน่นอน นี้ได้เมื่อรวมฟังก์ชัน การรวม ดังนั้น: (16) ()) (1 k Ak k n Ak x x b µµ==∑ บีเคสัมประสิทธิ์ใช้กับแอตทริบิวต์ที่คุณผลลัพธ์ในกรณีอย่างนี้จะแสดงอยู่ในตารางเกิด และจะไม่แตกต่างกันอย่างเด่นชัดจากผลที่ได้รับก่อนหน้านี้ น้อย ในบางกรณี น้ำหนักฟังก์ชันสมาชิกได้ประโยชน์เป็นการปรับรูปร่างแต่ละฟังก์ชันสมาชิก ไม่ว่า จะเป็นกรณีที่ชัดเจน มันบอกว่า ปรับปรุงน้ำหนักง่ายแบบไดนามิกในระหว่างขั้นตอนการฝึกอบรมอาจมีประโยชน์เช่นอะไร ผลลัพธ์ยังแนะนำว่า วิธีการทางสถิติถดถอยลอจิสติกเกี่ยวกับมีคุณค่าเป็นแนวทางตรรกศาสตร์ นี้ไม่ได้เช่นในระบบควบคุมที่ตรรกศาสตร์ทำมากยิ่งดี กระดาษนี้รายงานเกี่ยวกับการสอบสวนรวมกับจำนวนที่จำกัดของข้อมูล มีไม่มีหลักฐานที่วิธีการทางสถิติจะทำเสมอเช่นหรือวิธีดีเป็นปุยน้อย นักวิจัยไม่มีรายงานการเปรียบเทียบเพื่อหนึ่ง hesitates ต้องการตั้งค่าทั่วไปสังเกต

ผลลัพธ์ (ไทย) 2:

ผลที่มีชุดข้อมูล # 1 2.1 จำแนกทางสถิติวิธีการทำเหมืองข้อมูลจะประสบความสำเร็จมักจะอยู่บนพื้นฐานทางสถิติที่มีรูปแบบการถดถอยโลจิสติก เพื่อเปรียบเทียบประสิทธิภาพของรูปแบบเลือนถดถอยโลจิสติถูกนำไปใช้กับข้อมูลเดียวกัน ยานพาหนะที่ใช้เป็น Microsoft Excel add-in ที่เรียกว่า XLMiner [16].
เรารายงานผลที่ได้รับกับข้อมูลหลายชุดที่นี่ จำนวนชุดข้อมูลที่ 1 คือ "Mammographic มวลข้อมูล" ทำให้ประชาชนโดยชัล-Wendtland [17] ฐานข้อมูลมวล mammographic ประกอบด้วยพารามิเตอร์ต่อไป.
1 การประเมิน BI-RADS: 1-5 (ลำดับ) 2. อายุ: อายุของผู้ป่วยในปีที่ผ่าน (จำนวนเต็ม) 3. รูปร่างมวล: รอบ = 1 วงรี = 2 lobular = 3 ผิดปกติ = 4 (ชื่อ) 4. หลักประกัน: อัตรากำไรมวล : circumscribed = 1 microlobulated = 2 บดบัง = 3 ป่วยที่กำหนดไว้ = 4 spiculated = 5 (ชื่อ) 5. หนาแน่น: ความหนาแน่นมวลสูง = 1 = 2 iso ต่ำ = 3 fatcontaining = 4 (ลำดับ) 6. ความรุนแรง: ใจดี = 0 หรือ มะเร็ง = 1 (มีสองชื่อ)
ค่าแอตทริบิวต์ที่หายไป - การประเมิน BI-RADS: 2 - อายุ: 5 - รูปทรง: 31 - Margin: 48 - ความหนาแน่น: 76 - ความรุนแรง: 0
คาดการณ์การจัดหมวดหมู่เป็นทั้งอ่อนโยนหรือมะเร็ง กรณีที่มีตัวแปรที่ขาดหายไปได้ถูกตัดออก สรุปผลอยู่ในตาราง A. สำหรับการคำนวณเหล่านี้กำไรจากชุดเลือนแต่ละคนถูกทิ้งอย่างต่อเนื่องในระหว่างการรวมตัว (เฉลี่ย) แต่กระบวนการแต่ละส่วนเบี่ยงเบนมาตรฐานมีการปรับเพื่อให้แคบลงหรือเพิ่มความกว้างของฟังก์ชั่นสมาชิก เปอร์เซ็นต์ที่แสดงเป็นเปอร์เซ็นต์ความผิดพลาด อัตราส่วนเช่น 7/270 นับข้อผิดพลาดการแสดงและบันทึกรวมในการจัดหมวดหมู่ที่.
คะแนนการตรวจสอบเป็นคนที่สำคัญจากมุมมองของการวิเคราะห์ข้อมูล นอกจากนี้ยังไม่ได้เป็นเรื่องที่ดีของการเปลี่ยนแปลงในผลลัพธ์ นี้ดูเหมือนว่าจะตรงกับผลที่ได้จากบางนักวิจัยอื่น ๆ ในบริเวณนี้.
คะแนนการฝึกอบรมและการตรวจสอบจะแสดง ขณะที่คาดว่าจะได้คะแนนการฝึกอบรมที่ดีกว่าเล็กน้อย ใช้ขั้นตอนวิธีทางพันธุกรรมเพื่อเพิ่มประสิทธิภาพการทำงานสมาชิกส่วนการปรับปรุงเล็กน้อยเมื่อกฎการตัดสินใจอยู่บนพื้นฐานของผลรวมของค่าสมาชิกและทำให้การปรับปรุงในความถูกต้องโดยรวมเมื่อสินค้าของค่าสมาชิกถูกนำมาใช้ ในกรณีหลังนี้มันน่าจะมีการเปลี่ยนแปลงสำหรับความล้มเหลวในการตรวจสอบมะเร็งโดยการเพิ่มพวกเขาด้วยการลดลงที่เกิดขึ้นในความล้มเหลวในการจำแนกเป็นพิษเป็นภัย.
ขั้นตอนวิธีทางพันธุกรรมเช่นการปรับเปลี่ยนการฝึกอบรมอื่น ๆ ที่ทำงานเพื่อลดข้อผิดพลาดโดยรวมในกระบวนการฝึกอบรม หวังว่าโครงการนี้จะเป็นผลการดำเนินงานที่ดีขึ้นกับข้อมูลการตรวจสอบพาร์ทิชัน มันเป็นความจริงที่การปรับตัวของค่าซิกในฟังก์ชั่นสมาชิกของแต่ละคนบางคนสามารถนำมาใช้เพื่อเปลี่ยนข้อผิดพลาดจากประเภทหนึ่งไปยังอีกคนหนึ่งในขณะที่ยังคงรักษาอัตราความผิดพลาดโดยรวมใกล้อย่างต่อเนื่อง.
แทนของการปรับมาตรฐานเบี่ยงเบนปัจจัยถ่วงสำหรับแต่ละแอตทริบิวต์สามารถ ปรับ ของหลักสูตรนี้เป็นไปได้เฉพาะเมื่อฟังก์ชั่นการรวมตัวเป็นบวก ดังนั้น:
(16) ()) (1 k Ak kn Ak เสียวเสี่ยวปินμμ == Σ
กิโลสัมประสิทธิ์นำไปใช้กับ k แอตทริบิวต์ผลในกรณีนี้ง่ายจะแสดงในตารางบีและพวกเขาจะไม่ได้โดดเด่นแตกต่างจากผลที่ได้รับก่อนหน้านี้.
ที่ อย่างน้อยในบางกรณีน้ำหนักฟังก์ชั่นสมาชิกเป็นประโยชน์เช่นการปรับรูปร่างของแต่ละบุคคลของฟังก์ชั่นสมาชิก. มันไม่ได้เป็นที่เห็นได้ชัดว่าเรื่องนี้จะเป็นกรณี. มันไม่บอกว่าการปรับน้ำหนักแบบไดนามิกง่ายในระหว่างขั้นตอนการฝึกอบรมอาจจะเป็นประโยชน์ที่อะไร อื่น ๆ ผล. นอกจากนี้ยังชี้ให้เห็นว่าวิธีการถดถอยโลจิสติสถิติเป็นเรื่องเกี่ยวกับที่มีคุณค่าเช่นวิธีตรรกศาสตร์. กรณีนี้ไม่ได้อยู่ในระบบการควบคุมที่มีประสิทธิภาพตรรกศาสตร์ดีเหลือเกิน. นี้รายงานกระดาษในการสืบสวนเชิงประจักษ์ที่มีจำนวน จำกัด ของข้อมูล มันมีหลักฐานว่าวิธีการทางสถิติมักจะดำเนินการเช่นเดียวหรือน้อยกว่าเดียวกับวิธีการเลือน. นักวิจัยทั้งหมดไม่ได้มีการรายงานการเปรียบเทียบดังนั้นหนึ่งลังเลที่จะให้ข้อสังเกตทั่วไป

ผลลัพธ์ (ไทย) 3:

ผลลัพธ์ที่ได้กับข้อมูลชุด# 1 2.1 สถิติการจำแนกประเภทข้อมูลเหมืองแร่มักจะประสบความสำเร็จบนพื้นฐานทางสถิติด้วยการวิเคราะห์การถดถอยโลจิสติก เพื่อเปรียบเทียบประสิทธิภาพของตัวแบบถดถอยโลจิสติกที่ใช้เป็นข้อมูลเดียวกัน รถที่ใช้เป็น Microsoft Excel เพิ่มในการเรียก xlminer [ 16 ]
รายงานผลด้วยข้อมูลเราหลายชุดครับชุดข้อมูลหมายเลข 1 คือ " ข้อมูล " มวลๆเผยแพร่โดย ชูลซ์ wendtland [ 17 ] ฐานข้อมูลขนาดใหญ่ๆประกอบด้วยพารามิเตอร์ต่อไปนี้
1 การประเมิน bi-rads 1 ( กฎหมาย ) อายุของผู้ป่วยอายุปี ( จำนวนเต็ม ) 3 . รูปร่าง : รูปร่าง : รูปไข่กลมมวล = 1 = 2 = 3 = 4 ปลาผิดปกติ ( ชื่อ ) ขอบ : ขอบ : มวลพื้นที่ที่ จํากัด microlobulated = 1 = 2 = 3 = 4 ไม่บดบังไว้ spiculated = 5 ( คำนาม ) 5 . ความหนาแน่น : มวลความหนาแน่นสูง ISO ต่ำ = = = 1 2 3 fatcontaining = 4 ( กฎหมาย ) ความรุนแรง : เนื้องอกหรือมะเร็ง = 0 = 1 ( binominal )
หายไปค่าแอตทริบิวต์ : - การประเมิน bi-rads : 2 - อายุ : 5 - รูปร่าง : 31 - ระยะขอบ : 48 - ความหนาแน่น : 76 - ความรุนแรง : 0
ทำนายการจำแนกเป็นเนื้องอกหรือเนื้อร้ายกรณีมีตัวแปรที่ขาดหายไปออก สรุปของผลลัพธ์ในตาราง A สำหรับการคำนวณเหล่านี้ได้รับของแต่ละบุคคลเซตวิภัชนัยที่เหลือคงที่ในระหว่างกระบวนการรวม ( โดยเฉลี่ย ) แต่ส่วนเบี่ยงเบนมาตรฐานของแต่ละบุคคลมีการปรับเพื่อให้แคบลง หรือเพิ่มความกว้างของฟังก์ชันสมาชิก แสดงเป็นค่าเปอร์เซ็นต์ความผิดพลาด อัตราส่วน เช่น 7 / 270 ,แสดงข้อผิดพลาดนับและบันทึกทั้งหมดในการจำแนก
คะแนนตรวจสอบเป็นตัวสำคัญจากมุมมองของการวิเคราะห์ข้อมูล ยังไม่ได้มีการจัดการที่ดีของการเปลี่ยนแปลงในผล นี้ดูเหมือนว่าผลการแข่งขันจากนักวิจัยอื่น ๆในพื้นที่นี้
การฝึกอบรมและคะแนนตรวจสอบแสดง ตามคาด คะแนนการฝึกจะค่อยๆดีขึ้นการใช้ขั้นตอนวิธีพันธุกรรมเพื่อเพิ่มสมาชิกฟังก์ชันสนับสนุนการปรับปรุงเล็กน้อยเมื่อตัดสินใจกฎขึ้นอยู่กับผลรวมของค่าสมาชิกและไม่มีการปรับปรุงความถูกต้องโดยรวมเมื่อผลิตภัณฑ์ของค่าสมาชิกที่ใช้ในกรณีหลังนี้มันเปลี่ยนแปลงความน่าจะเป็นสำหรับความล้มเหลวในการตรวจหาเนื้อร้ายโดยการเพิ่มพวกเขาด้วยผลลดลงในความล้มเหลวที่จะจัดเป็นเนื้องอก
ขั้นตอนวิธีพันธุกรรม เช่น การฝึกอื่น ๆ ทำงานเพื่อลดข้อผิดพลาดโดยรวมในกระบวนการฝึกอบรม หวังว่านี่จะเป็นโครงการปรับปรุงประสิทธิภาพด้วยการตรวจสอบพาร์ทิชันข้อมูลมันเป็นความจริงว่ามีการปรับตัวของซิกม่า ค่าในฟังก์ชันสมาชิกแต่ละคนสามารถใช้เปลี่ยนข้อผิดพลาดจากประเภทหนึ่งไปยังอีกในขณะที่ยังคงรักษาโดยรวมอัตราความผิดพลาดใกล้คงที่
แทนการปรับส่วนเบี่ยงเบนมาตรฐานเป็นปัจจัยถ่วงสำหรับแต่ละแอตทริบิวต์ที่สามารถปรับได้ ของหลักสูตรนี้เป็นเพียงที่เป็นไปได้เมื่อการเป็นฟังก์ชันการรวม โดย :
( 16 ) ( ) ( 1 K และ K N AK x x B µµ = = ∑
ค่า K B กับแอตทริบิวต์ K . ผลลัพธ์ในง่ายนี้ถูกแสดงในตาราง B . และพวกเขาจะไม่เด่นชัดแตกต่างจากผลที่ได้รับก่อนหน้านี้
อย่างน้อยในบางกรณีน้ำหนักเป็นประโยชน์เท่าที่สมาชิกฟังก์ชัน ปรับรูปร่างของแต่ละสมาชิกฟังก์ชัน มันไม่ได้ชัดเจนว่า นี้จะเป็นกรณีมันบอกว่าง่ายแบบไดนามิก ( การปรับตัวในขั้นตอนการฝึกอบรมจะเป็นประโยชน์เป็นอย่างอื่น ผลการวิจัยยังชี้ให้เห็นว่าวิธีการทางสถิติการถดถอยโลจิสติกเป็นเรื่องเกี่ยวกับคุณค่าเป็นวิธีการแบบฟัซซี่ กรณีนี้ไม่ได้ในการควบคุมระบบที่ตรรกศาสตร์แสดงมีมากมายก่ายกองบทความนี้รายงานการสืบสวนเชิงประจักษ์มีจำนวน จำกัด ของข้อมูล มันมีข้อพิสูจน์ว่าสถิติจะแสดงเป็นอย่างดี หรือน้อยกว่า รวมทั้งวิธีฟัซซี นักวิจัยทั้งหมดไม่ได้รายงานการเปรียบเทียบดังนั้นหนึ่งลังเลที่จะทำให้การสังเกตทั่วไป .