AI Summary & Key Takeaways
AI InsightSonuç: Bulanık mantık yöntemlerinde veri yapısı, değişkenlerin dağılımı ve değişkenler arasındaki ilişki, bağımsız değişkenlerin kategorilere nasıl ayrılacağı ile hangi bulanık mantık yönteminin seçileceği uzman desteği alınarak irdelenmelidir.
📌 3 Key Takeaways
Abstract
Amaç: Bu çalışmanın amacı farklı üyelik fonksiyonları ile oluşturulan aşamalı ve aşamalı olmayan bulanık modellerin sınıflandırma performanslarının karşılaştırılmasıdır. Gereç ve Yöntemler: Bu çalışmada farklı sayıda (p=3 ve p=6) bağımsız değişkenler içeren normal dağılıma uygunluk gösteren veri setleri türetildi. Ayrıca hipertansif (n=206) ve kontrol (n=113) bireylerine ilişkin beden kitle indeksi, açlık kan şekeri ve trigliserid değerlerini içeren veri seti kullanılarak oluşturulan aşamalı ve aşamalı olmayan bulanık modellerin sınıflandırma performansları karşılaştırıldı. Bulgular: Bulanık modeller arasında ileri düzeyde farklılık olduğu bulundu (p<0,001). Hem simülasyon hem de hipertansiyon veri seti sonuçlarına göre, aşamalı olmayan bulanık modellerin duyarlılık, özgüllük, doğruluk ve hata kareler ortalamasının karekökü kriterlerine göre aşamalı bulanık modellerden daha iyi sınıflandırma performansı gösterdiği tespit edildi. Bunun yanı sıra, bağımsız değişken sayısı artırıldığında modellerin performansları arttı ve birbirine yaklaştı. Sonuç: Bulanık mantık yöntemlerinde veri yapısı, değişkenlerin dağılımı ve değişkenler arasındaki ilişki, bağımsız değişkenlerin kategorilere nasıl ayrılacağı ile hangi bulanık mantık yönteminin seçileceği uzman desteği alınarak irdelenmelidir.
Özet
Objective: The aim of this study is to compare the classification performances of hierarchical and non-hierarchical fuzzy models built by using different membership functions. MaterialsandMethods:In this study, normally distributed data sets containing different number of independent variables (p=3 and p=6) were generated. Besides, the classification performances of hierarchical and non-hierarchical fuzzy models built by using the data set which contained body mass index, fasting blood glucose and triglyceride values of hypertensive (n=206) and control (n=113) people were compared. Results: It was found that there was a significant difference between the fuzzy models (p<0.001). According to the result of both simulation and hypertension data set application, non-hierarchical fuzzy models were found to have better classification performance than hierarchical fuzzy models according to sensitivity, specificity, accuracy and root mean square criteria. Moreover, when number of independent variables was increased, performances of the models increased too and approached to each other. Conclusion: In fuzzy logic methods, data structure, distributions of the variables and correlation between them, how to divide independent variables into categories and which of the fuzzy logic methods is to choose should be examined by taking an expert support.