基于Dempster-Shafer理论的类推理方案，用于学习模糊分类系统

《ACM Transactions on Evolutionary Learning and Optimization》：A Class Inference Scheme With Dempster-Shafer Theory for Learning Fuzzy-Classifier Systems

机器学习模型决策过程影响预测准确性，尤其在规则系统如LFCS中需优化规则选择与应用。传统投票或单赢家机制易过拟合，本文基于Dempster-Shafer证据理论提出新类推断方案，整合规则置信度与“不确定”状态，在30个真实数据集上验证其F1分数显著提升，决策边界更平滑且泛化性更强。

　　

摘要

决策过程对机器学习模型的预测结果有着显著影响。这一点在基于规则的系统中尤为重要，例如学习型模糊分类系统（LFCSs），其中规则的选择和应用直接决定了预测的准确性和可靠性。LFCSs结合了进化算法和监督学习来优化模糊分类规则，从而提高了系统的可解释性和鲁棒性。尽管具有这些优势，但关于改进LFCSs中决策机制（即类别推理方案）的研究仍然有限。大多数LFCSs使用基于投票或单一获胜者的推理方案。这些方案依赖于训练数据上的分类性能，在未见过的数据上可能表现不佳，存在过拟合的风险。为了解决这些问题，本文提出了一种基于Dempster-Shafer证据理论（DS理论）的新型类别推理方案。该方案能够很好地处理不确定性。通过运用DS理论，该方案为每个具体类别以及每个模糊规则中的“我不知道”状态计算信念质量（即信念的度量），并从中推断出类别。与传统方案不同，该方案还考虑了反映不确定性的“我不知道”状态，从而提高了LFCSs的透明度和可靠性。将这一方案应用于LFCS的一个变体（即Fuzzy-UCS）后，在30个真实世界数据集上的测试宏F1分数方面，与传统基于投票和单一获胜者的模糊推理方案相比，显示出了统计学上的显著改进。该方案形成了更平滑的决策边界，提供了可靠的置信度度量，并增强了LFCSs在现实世界应用中的鲁棒性和泛化能力。