Mining multi-class industrial data with evolutionary fuzzy rules

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F13%3A86088856" target="_blank" >RIV/61989100:27240/13:86088856 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/13:86088856

Výsledek na webu

<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=06617453" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=06617453</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CYBConf.2013.6617453" target="_blank" >10.1109/CYBConf.2013.6617453</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Mining multi-class industrial data with evolutionary fuzzy rules

Popis výsledku v původním jazyce

Methods based on fuzzy sets and fuzzy logic have proved to be efficient data classifiers and value estimators. This study presents an application of evolutionary evolved fuzzy rules based on the concept of extended Boolean queries to a multiclass data mining problem. Fuzzy rules are used as symbolic classifiers machine-learned from the data and used to label data samples and predict the value of an output variable. The output variable can be both a label (category) and a continuous value. This study presents an application of evolutionary fuzzy rules to the prediction of multi-class quality attributes in an industrial data set and compares the prediction obtained by fuzzy rules to the prediction achieved by support vector machines.

Název v anglickém jazyce

Mining multi-class industrial data with evolutionary fuzzy rules

Popis výsledku anglicky

Methods based on fuzzy sets and fuzzy logic have proved to be efficient data classifiers and value estimators. This study presents an application of evolutionary evolved fuzzy rules based on the concept of extended Boolean queries to a multiclass data mining problem. Fuzzy rules are used as symbolic classifiers machine-learned from the data and used to label data samples and predict the value of an output variable. The output variable can be both a label (category) and a continuous value. This study presents an application of evolutionary fuzzy rules to the prediction of multi-class quality attributes in an industrial data set and compares the prediction obtained by fuzzy rules to the prediction achieved by support vector machines.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2013 IEEE International Conference on Cybernetics, CYBCONF 2013

ISBN

978-1-4673-6469-0

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

191-196

Název nakladatele

IEEE

Místo vydání

Danvers

Místo konání akce

Lausanne

Datum konání akce

13. 6. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—