私はファジーロジックについて読んでいますが、ほとんどの場合（比較的頻繁に適用されるようです）、機械学習アルゴリズムをどのように改善できるかわかりません。
たとえば、k 個の最近傍を考えてみましょう。のような属性がたくさんある場合color: [red,blue,green,orange], temperature: [real number], shape: [round, square, triangle]、実際の番号付き属性を除いて、これらのいずれもファジー化できません (間違っている場合は修正してください)。物事を一緒にバケツに入れます。
機械学習を改善するために機械ファジー論理をどのように使用できますか? ほとんどのウェブサイトにあるおもちゃの例は、ほとんどの場合、それほど当てはまらないようです。
変数の形状が自然に解釈される場合は、ファジー ロジックを使用することをお勧めします。たとえば、[非常に少ない、少ない、多い、非常に多い] は、重複する台形の値の適切な解釈を持っています。
色のような変数はそうではないかもしれません。ファジー変数は、メンバーシップの程度を示します。そのとき、それらが役に立ちます。
機械学習に関しては、アルゴリズムのどの段階でファジー ロジックを適用するかによって異なります。私の意見では、クラスターが見つかった後 (従来の学習手法を使用して)、各クラスターの検索空間内の特定のポイントのメンバーシップの程度を決定するために適用する方が良いでしょうが、それは参照ごとの学習を改善しませんが、後の分類学ぶ。
[円形、四角形、三角形] は、ほとんどが理想的なカテゴリであり、主に幾何学 (理論上) に存在します。現実の世界では、一部の形状はほぼ正方形またはほぼ円形 (円形) である可能性があります。赤には多くのニュアンスがあり、色によっては近い色もあります (たとえば、女性にターコイズについて説明してもらいます)。したがって、抽象的なカテゴリといくつかの特定の値も参照として役立ちますが、現実の世界では、オブジェクトまたは値は必ずしもこれらのものと等しいとは限りません。
ファジー メンバーシップを使用すると、特定のオブジェクトが理想からどれだけ離れているかを測定できます。この尺度を使用すると、「いいえ、円形ではありません」(情報の損失につながる可能性があります) を回避し、指定されたオブジェクトが円形である (ない) という尺度を利用できます。
離散集合を連続集合に変換するだけで、ファジネスと同じ効果が得られると同時に、確率論のすべての手法を使用できるのではないでしょうか?
たとえば、サイズ ['small', 'medium', 'big'] ==> [0,1]
あなたが与えた例（形、色など）で何を達成しようとしているのか、私にはわかりません。ファジー ロジックは機械学習でうまく使用されていますが、個人的にはポリシーの構築に役立つことが多いと思います。先に進むのではなく、「PC AI」誌の 2002 年 3 月/4 月号に掲載した記事を参照してください。
私の見解では、ファジーロジックは、ファジー化された目的のコントローラーまたはコンプライアンス/ポリシーのようなルールベースの構造を構築する場合を除き、実際に実行可能なアプローチではありません。ただし、ファジーは 0 から 1 までのすべてを処理することを意味します。ただし、3 次元空間でファジー ロジックの側面を適用する必要がある、より複雑な問題にアプローチする場合は、少し欠陥があることがわかります。ファジー ロジックを見なくても多変量にアプローチできます。残念ながら、ファジー論理を研究してきた私にとって、大規模な次元空間のファジー集合でアプローチされた原則に反対していることに気づきました。ファジー セット ソリューションに適用する自然言語ベースも、[very,few, 多く] これがすべて、アプリケーションで定義するものです。機械学習の側面の多くは、自然言語の土台をモデルに組み込むことさえする必要がないことに気付くでしょう。実際、ファジー ロジックをモデルのどの側面にも適用しなくても、さらに優れた結果を達成できることがわかります。