Złożoność rozmytych systemów wnioskujących a problem nadmiernego dopasowania

• Autorzy: Maciej Wasiak
• Języki publikacji: PL

Abstrakty

W trakcie procesu drążenia danych kluczowym zagadnieniem jest zdolność systemu (stawianych hipotez) do prawidłowego klasyfikowania nowych, nieznanych do tej pory przypadków. Aby sprawdzić tą zdolność stosuje się zazwyczaj technikę podziału posiadanych przypadków na dwa zbiory - uczący oraz testujący. Wyniki na zbiorze testującym są istotną przesłanką oceny trafności wnioskowania systemu. W trakcie procesu uczenia oraz oceny jakości systemu często obserwowane jest nabieranie przez system cechy nazywanej nadmiernym dopasowaniem (overfltting, overtraining). Objawia się ono powiększającą się rozbieżnością między trafnością klasyfikacji danych uczących i danych testujących. Jako jeden z głównych czynników rzutujących na możliwość występowania nadmiernego dopasowania wymienia się złożoność systemu wnioskującego. W niniejszym artykule poruszono problem nadmiernego dopasowania rozmytych systemów wnioskujących z kompletną bazą reguł. Przedstawione wyniki są fragmentem badań nad kondycją finansową przedsiębiorstw prowadzonych aktualnie przez autora. (fragment tekstu)

Słowa kluczowe

PL

Systemy rozmyte; Klasyfikacja

EN

Fuzzy systems; Classification

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2003
• Numer: nr 975 Pozyskiwanie wiedzy i zarządzanie wiedzą
• Strony: 441--446

Twórcy

autor

Maciej Wasiak

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Altman E.I. : Financial Ratio, Discriminant Analysis and Prediction of Corporate Bankruptcy. Journal of Finance, September 1968.
• Back B., Laitinen T.: Choosing Bankruptcy Predictors Using Discriminant Analysis, Logit Analysis and Genetic Algorithms. Turku Centre for Computer Science Technical Report No 40. 1996.
• Beaver W.H.: Financial ratios as predictors of failure. Empirical Research in Accounting. Selected Studies, Institute of Professional Accounting, January 1996.
• Cichosz P.: Systemy uczące się. Wydawnictwa Naukowo-Techniczne Warszawa 2000.
• Fisher R.A.: The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics, VII(II): 179-188, 1936.
• Herrera F., Lozano M., Verdegay J.L.: Generating fuzzy rules from examples using genetic algorithm. Proceedings Fifth International Conference of Information Processing and Management of Uncertainty in Knowledge-Based Systems, Paris 1994.
• Holland J.H. (1975): Adaptation in Natural and Artificial Systems. Ann Arbour, MI: The University of Michigan Press.
• Kacprzyk J.: Zbiory rozmyte w analizie systemowej. Warszawa: PWN 1986.
• Lacher R.C.: A neural network for classifying the financial health of a firm. European Journal of Operational Research Vol 85, No 1, Elsevier Science B.V. 1995.
• Michalski R.S.: Learning Strategies and Automated Knowledge Acquisition: An Overview - Computational Models of Learning . Leonard Bolc, Springer Verlag Berlin Heidelberg 1987.
• Piegat A.: Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT Warszawa 1999.
• Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Warszawa-Łódź: PWN 1997.
• Saman K. Glesner H.G., Glesner M.: Neural networks in designing fuzzy systems for real world applications. Fuzzy Sets and Systems 1994.
• Schaffer C.: Overfitting Avoidance as Bias. Proceedings of the IJCAI Workshop on Evaluating and Changing Representation in Machine Learning, Sydney Australia, 1991.
• Sierpińska M., Wędzki D.: Zarządzanie płynnością finansową w przedsiębiorstwie. Warszawa: PWN 1997.
• Wasiak M.: Rozmyty system wnioskujący, oceniający kondycję finansową przedsiębiorstw. Pozyskiwanie wiedzy z baz danych. Wyd. Akademii Ekonomicznej, Wrocław 2002 nr 931.
• Zurada J., Foster B.P., Ward T.J.: Investigation of Artificial Neural Networks for Classifying Levels of Financial Distress of Firms: The Case of an Unbalanced Training Sample. Knowledge Discovery for Business Information Systems, Abramowicz W., Zurada J., Kluwer Academic Publishers 2001.