Data Modeling with Type I and Type II Fuzzy Sets

Abstract

The fuzzy classifier is an algorithm that assigns a class label to an object, based on the object description. It is also said that the classifier predicts the class label. The object description comes in the form of a vector containing values of the features (attributes) deemed to be relevant for the classification task. Typically, the classifier learns to predict class labels using a training algorithm and a training data set. When a training data set is not available, a classifier can be designed from prior knowledge and expertise. Once trained, the classifier is ready for operation on unseen objects.In this thesis, type-1fuzzy classifier, and the type-2 fuzzy classifier are used for the machine learning datasets classification. The Wisconsin breast cancer dataset, Iris Dataset, and Tic-Tac-Toe datasets are classified. Type-2 fuzzy classifiers are able to perform better than type-1 fuzzy classifiers which have additional design parameters. Therefore, type-2 fuzzy classifiers are more attractive than the type-1 classifiers. The essential benefits the type-2 fuzzy logic classifiers are their ability to handle more vagueness. Keywords: Classifier, Type-1fuzzy classifier, Type-2 fuzzy classifier, Machine learning dataset and Uncertainty.

ÖZ : Bulanık sınıflayıcı verilen bir nesneler kümesindeki her eleman için nesne tanımına göre bir sınıf etiketi atayan bir algoritmadır. Sınıflayıcı için aynı zamanda sınıf etiketini belirleyici denilir. Nesne tanımı bir dizi içerisinde sınıflandırma işlemiyle ilgili nesne özelliklerinin verilmesiyle yapılır. Tipik olarak, sınıflayıcı bir öğrenme kümesi üzerinden bir öğrenme algoritması kullanarak sınıf etiketlerini öğrenir. Öğrenme kümesinin varolmadığı durumlarda, sınıflayıcılar tecrübeye ve uzman bilgisine göre tasarlanırlar. Öğrenme aşamasının ardından, sınıflayıcı daha önce karşılaşmadığı nesneleri sınıflamaya hazır olur. Bu tezde, tip-1 ve tip-2 bulanık sınıflayıcılar makine öğrenme veri-kümeleri üzerinde sınıflayıcı olarak kullnılmışlardır. Wisconsin göğüs kanseri, Iris ve tic-tac-toe oyunu veri kümelerindeki nesneler deneysel çalışmalarda sınıflandırılmışlardır. Tip-2 bulanık sınflayıcıların başarımının tip-1 bulanık sınıflayıcılara göre daha iyi olduğu gözlemlenmiştir. Tip-2 bulanık sınıflayıcıların daha iyi başarım göstermesinin nedeni, daha fazla tasarım parametresine sahip olmaları ve böylece belirsizliği daha iyi modellemeleri olarak belirtilebilir. Anahtar Kelimeler: Sınıflayıcı, Tip-1 Bulanık, Tip-2 Bulanık, Makine Öğrenme Veri-Kümeleri and Belirsizlik.