A Novel Membership Function Definition for Fuzzy Classification

Abstract

In this paper, a novel membership function is defined for fuzzy sets using a supervised learning approach. Firstly, the training dataset is separated using the previously defined polyhedral conic functions in a supervised learning approach. Then obtained polyhedral conic functions are used for defining a new membership function. After that, a new fuzzy classification algorithm is formed to classify fuzzy sets with a similar structure. The algorithm with all suggested methods is implemented on real-world datasets, and the performance values are compared with the state of art classification algorithms.

Bu çalışmada gözetimli öğrenme yaklaşımı kullanılarak bulanık kümeler için yeni bir üyelik fonksiyonu tanımlanmıştır. İlk olarak, gözetimli öğrenme yaklaşımında, eğitim veri kümesi, önceden tanımlanmış çokyüzlü konik fonksiyonlarla ayrılmış ve daha sonra elde edilen bu çokyüzlü konik fonksiyonlar yeni bir üyelik fonksiyonu tanımlamak için kullanılmıştır. Sonrasında ise bu fonksiyon kullanılarak benzer yapıda bulanık kümeleri sınıflandırmak için yeni bir bulanık sınıflandırma algoritması tanımlanmıştır. Önerilen tüm yöntemler bir algoritmada birleştirilerek, veri kümeleri üzerinde denenmiş ve performans değerleri, literatürde yer alan sınıflandırma algoritmalarıyla karşılaştırılmıştır.