data-structures - 模糊逻辑真的能改善简单的机器学习算法吗？

Question

我正在阅读有关模糊逻辑的内容，但我只是不明白它如何在大多数情况下改进机器学习算法(它似乎相对经常应用)。

以 k 个最近邻居为例。如果你有一堆属性，比如颜色:[红，蓝，绿，橙]，温度:[实数]，形状:[圆形，方形，三角形]，你不能除了真正的编号属性之外，真的模糊了其中的任何一个(如果我错了，请纠正我)，而且我不知道这除了将东西放在一起之外还能有什么改进。

如何使用机器模糊逻辑来改进机器学习？大多数时候，您在大多数网站上找到的玩具示例似乎并不那么适用。

Answer 1

当变量具有自然形状解释时，建议使用模糊逻辑。例如，[很少，很少，很多，很多]对值有一个很好的重叠梯形解释。

像颜色这样的变量可能不会。模糊变量表示隶属度，此时它们就变得有用了。

关于机器学习，这取决于您想要应用模糊逻辑的算法的哪个阶段。在我看来，在找到簇之后(使用传统的学习技术)来确定每个簇上搜索空间中某个点的隶属度会更好，但这并不能提高每次看到的学习效果，而是可以提高分类后的效果。学习。