Нечеткий классификатор типа Min-Max: обзор

Аннотация: В связи с ростом объема обрабатываемой информации и внедрением систем искусственного интеллекта в критически важные сферы деятельности, адаптация в режиме онлайн и интерпретируемость стали одними из важных требований к моделям машинного обучения. Популярные модели, такие как искусственные нейронные сети, не могут в полном объеме их выполнить. Нечеткие классификаторы типа Min-Max являются интерпретируемыми благодаря лежащей в их основе теории нечеткой логики и адаптируемы с приходом новой порции информации. Данная статья представляет всесторонний обзор литературы по моделям машинного обучения на основе нечетких классификаторов типа Min-Max. Представлены архитектура классификатора и принцип его работы. Проводится обзор модификаций и оценивается их эффективность. Указаны применения классификатора и его модификации в решении реальных прикладных задач. В заключение делаются выводы о работе классификатора и проблемах, которые остались нерешенными.

Ключевые слова: машинное обучение, нечеткий классификатор, анализ данных, адаптация классификатора

Библиография статьи:
Сарин К. С. Нечеткий классификатор типа Min-Max: обзор / К. С. Сарин // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2023. – Т. 26, № 1. – С. 65–75. DOI: 10.21293/1818-0442-2023-26-1-65-75