Andere Kunden interessierten sich auch für
![Approche de la prédiction des maladies cardiaques par un classificateur flou et rugueux]( "Approche de la prédiction des maladies cardiaques par un classificateur flou et rugueux")
Approche de la prédiction des maladies cardiaques par un classificateur flou et rugueux46,99 €![Conception et réalisation d¿un système de recommandation]( "Conception et réalisation d¿un système de recommandation")
Conception et réalisation d¿un système de recommandation26,99 €![Etude et conception d¿un simulateur basé sur un langage de processus]( "Etude et conception d¿un simulateur basé sur un langage de processus")
Etude et conception d¿un simulateur basé sur un langage de processus26,99 €![Modèle de programmation et frameworks pour de la tolérance aux pannes]( "Modèle de programmation et frameworks pour de la tolérance aux pannes")
Modèle de programmation et frameworks pour de la tolérance aux pannes38,99 €![Étude de l¿apprentissage des règles par Boosting de concepts formels]( "Étude de l¿apprentissage des règles par Boosting de concepts formels")
Étude de l¿apprentissage des règles par Boosting de concepts formels26,99 €![Développement d¿un module portable de mesure de pression artérielle]( "Développement d¿un module portable de mesure de pression artérielle")
Développement d¿un module portable de mesure de pression artérielle43,99 €![CONCEPTION D¿UN SYSTEME MULTI-AGENTS POUR LE TRAITEMENT DE LA VIDEO]( "CONCEPTION D¿UN SYSTEME MULTI-AGENTS POUR LE TRAITEMENT DE LA VIDEO")
CONCEPTION D¿UN SYSTEME MULTI-AGENTS POUR LE TRAITEMENT DE LA VIDEO36,99 €
L'intelligibilité représente la force motrice la plus importante derrière la mise en oeuvre des classifieurs à base flous pour les problèmes d'application médicale. Dans la littérature, la majorité des algorithmes basés sur un système d'inférence neuro-flou adaptatif (ANFIS) ne fournissent pas suffisamment d'explications sur la façon d'obtenir les résultats d'inférence. Ce livre traite la possibilité d'augmenter l'interprétabilité du classifieur ANFIS avec l'apport de la méthode de clustering Fuzzy C-Means. Il montre comment un classifieur neuro-flou interprétable peut être obtenu par un processus d'apprentissage et comment les règles floues extraites peuvent améliorer son interprétation. Les résultats expérimentaux appliqués sur la base de données du diabète montrent de fortes similitudes avec les règles appliquées par les experts. L'approche proposée est simple et efficace pour clarifier la décision finale du classifieur, tout en préservant sa précision.