Hispanopedia Wiki
Articulo de referencia

Proaftn

Proaftn es un método de clasificación difusa que pertenece a la clase de algoritmos de aprendizaje supervisado . El acrónimo Proaftn significa: (PROcédure d'Affectation Floue po...

Hispanopedia WikiContenido en espanolLectura gratuita

Proaftn es un método de clasificación difusa que pertenece a la clase de algoritmos de aprendizaje supervisado . El acrónimo Proaftn significa: (PROcédure d'Affectation Floue pour la problématique du Tri Nominal), que significa en español: Fuzzy Assignment Procedure for Nominal Sorting .

El método permite determinar las relaciones de indiferencia difusas generalizando los índices (concordancia y discordancia) utilizados en el método ELECTRE III. [ 1 ] Para determinar las relaciones de indiferencia difusas, PROAFTN utiliza el esquema general de la técnica de discretización descrita en [ 2 ] que establece un conjunto de casos preclasificados llamado conjunto de entrenamiento.

Para resolver los problemas de clasificación, Proaftn procede por las siguientes etapas: [ 3 ]

Etapa 1. Modelado de clases: En esta etapa, los prototipos de las clases se conciben utilizando los dos pasos siguientes:

  • Paso 1. Estructuración: Los prototipos y sus parámetros (umbrales, ponderaciones, etc.) se establecen utilizando el conocimiento disponible proporcionado por el experto.
  • Paso 2. Validación: Utilizamos una de las dos técnicas siguientes para validar o ajustar los parámetros obtenidos en el primer paso a través de los ejemplos de asignación conocidos como conjunto de entrenamiento.

Técnica directa: Consiste en ajustar los parámetros a través del conjunto de entrenamiento y con la intervención del experto.

Técnica indirecta: Consiste en ajustar los parámetros sin la intervención de un experto, como se utiliza en los enfoques de aprendizaje automático . [ 4 ] [ 5 ]

En el problema de clasificación multicriterio , la técnica indirecta se conoce como análisis de desagregación de preferencias . [ 6 ] Esta técnica requiere menos esfuerzo cognitivo que la técnica anterior; utiliza un método automático para determinar los parámetros óptimos que minimizan los errores de clasificación.

Además, se utilizaron varias heurísticas y metaheurísticas para aprender el método de clasificación multicriterio Proaftn. [ 7 ] [ 8 ]

Etapa 2. Asignación: Después de concebir los prototipos, Proaftn procede a asignar los nuevos objetos a clases específicas.

Referencias

  1. ↑ Roy, B. (1996). Metodología multicriterio para la ayuda a la toma de decisiones . Dordrecht: Kluwer Academic.
  2. ↑Ching, J.Y. (1995). "Class-dependent discretization for inductive learning from continuous and mixed-mode data". IEEE Transactions on Pattern Analysis and Machine Intelligence. 17 (7): 641–651. doi:10.1109/34.391407.
  3. ↑Belacel, N. (2000). "Multicriteria assignment method PROAFTN: Methodology and medical application". European Journal of Operational Research. 125 (3): 175–83. doi:10.1016/s0377-2217(99)00192-7.
  4. ↑Doumpos, M.; Zopounidis, C. (2011). "Preference disaggregation and statistical learning for multicriteria decision support: A review". European Journal of Operational Research. 209 (3): 203–214. doi:10.1016/j.ejor.2010.05.029.
  5. ↑Belacel, N.; Rava, H. B.l; Punnen, A. P. (2007). "Learning multicriteria fuzzy classification method PROAFTN from data". Computers & Operations Research. 34 (7): 1885–1898. doi:10.1016/j.cor.2005.07.019.
  6. ↑Jacquet-Lagrèze, E.; Siskos, J. (2001). "Preference disaggregation: Twenty years of MCDA experience". European Journal of Operational Research. 130 (2): 233–245. doi:10.1016/s0377-2217(00)00035-7.
  7. ↑Al-Obeidat, F.; et al. (2011). "An evolutionary framework using particle swarm optimization for classification method PROAFTN". Applied Soft Computing. 11 (8): 4971–4980. doi:10.1016/j.asoc.2011.06.003.
  8. ↑Al-Obeidat, f.; et al. (2010). "Differential Evolution for learning the classification method PROAFTN". Knowledge-Based Systems. 23 (5): 418–426. doi:10.1016/j.knosys.2010.02.003.
  • Site dedicated to the sorting problematic of MCDA