COFRE

1
COFRE

• TÉCNICA COEVOLUTIVA PARA LA EVOLUCIÓN DE REGLAS
  DIFUSAS

Arturo García Camilo Silva
2
AGENDA

• Clasificación
• Problemas Multiclase
• Binarización
• Coevolución
• COFRE
• Amigos

3
AGENDA

• Codificación
• Construcción del clasificador
• Evaluación del rendimiento
• Resultados
• Conclusiones

4
CLASIFICACIÓN

• Técnica de aprendizaje supervisada
• Identificación de muestras por medio de un
  clasificador
• CBR Clasificación por medio de reglas difusas o
  clásicas

5
CLASIFICACIÓN

• SGBR Combinación entre un CBR y algoritmos
  evolutivos para generar nuevos CBR
• Pitsburgh y Michigan

6
PROBLEMAS MULTICLASE

• Muchos SGBR para resolver problemas de
  clasificación binaria
• Técnicas de binarización transforman un problema
  multiclase (m clases) en varios problemas de dos
  clases

7
BINARIZACIÓN

• Unordered m problemas de dos clases
• Round Robin m(m-1)/2 problemas de dos clases
• Varias corridas del algoritmo evolutivo

8
COEVOLUCIÓN

• Poblaciones interdependientes
• Cooperativa y competitiva
• Intrapoblacional e interpoblacional

9
COFRE COEVOLUTIONARY FUZZY RULE EVOLUTION

• Utiliza coevolución cooperativa y competitiva
• Solo se realiza una corrida del algoritmo
  evolutivo
• Fitness function evalúa grupos de individuos

10
COFRE COEVOLUTIONARY FUZZY RULE EVOLUTION
11
AMIGOS
12
CODIFICACIÓN
13
MECANISMO DE CODIFICACIÓN

• Positive Normal Forms
• Priority Trees
• Heaps o Complete Expression Trees

14
EJEMPLO
A
B
C
\/
\/
/\
B
a\
B
A
C
15
CODIFICACIÓN CONJUNTOS DIFUSOS

• Fixed Set of Fuzzy Sets Codifica un indice del
  conjunto difuso
• Fuzzy Set Tuning Codifica dos puntos de control
  para determinar el conjunto

16
CONSTRUCCIÓN DEL CLASIFICADOR

• El clasificador se construye con la regla
  generada por el individuo más la regla generada
  por sus amigos

17
OPERADORES GENÉTICOS

• Cruzamiento de punto simple de longitud variable
• Mutación simple
• Adición de un gen
• Eliminación de un gen

18
EVALUACIÓN DEL RENDIMIENTO

• AC Exactitud del clasificador generado por el
  individuo y sus amigos
• FRL Longitud de la regla
• w peso

19
EXPERIMENTOS

• 10 fold cross validation
• HAEA
• HEAPS
• MinAnd-MaxOr, AverageAnd-MaxOr
• Conjuntos difusos fijos y ajustables

20
RESULTADOS
21
ANÁLISIS

• Diferencias poco significativas entre operadores
  de lógica difusa
• Los conjuntos difusos ajustables funcionan bien
  cuando la separación de clases no se ajusta a un
  conjunto predefinido
• No existe sobreentrenamiento de reglas

22
CONCLUSIONES

• Reducción el tiempo de ejecución al requerirse
  tan solo una corrida del algoritmo evolutivo
• Esquema de codificación de individuos que
  almacena la información del individuo mismo y
  permite obtener la de los individuos con los
  cuales coopera.

23
CONCLUSIONES

• Evaluación del rendimiento sobre grupos de
  individuos

24
PREGUNTAS
25
MUCHAS GRACIAS