Для повышения точности классификации нечетких деревьев решений предлагается процедура адаптации параметров с помощью нейросетевого обучения. В прямом цикле нечеткие деревья решений строятся на основе алгоритма нечеткого ID3, в цикле обратной связи параметры нечетких деревьев решений адаптируются на основе стохастического градиентного алгоритма путем обхода обратно с листьев на корневые узлы. С помощью этой стратегии иерархическая структура нечетких деревьев решений остается фиксированной.
To improve the classification accuracy of fuzzy decision trees is proposed, the procedure of adapting parameters using neural network learning. In direct cycle, the fuzzy decision trees are built based on the algorithm of fuzzy ID3 tags, in the loop feedback parameters of fuzzy decision trees are adapted based on the stochastic gradient algorithm by traversing back from leaf to root nodes. Using this strategy, a hierarchical structure of fuzzy decision trees remains fixed.
The authors declare that there are no conflicts of interest present.