An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models
Created by
Haebom
Category
Empty
저자
Jinbo Li, Peng Liu, Long Chen, Witold Pedrycz, Weiping Ding
개요
본 논문은 해석 가능성이 높은 퍼지 규칙 기반 모델의 단점을 보완하고, 모델 성능 및 해석 가능성을 향상시키기 위해 그래디언트 부스팅과 퍼지 규칙 기반 모델을 통합하는 프레임워크를 제안합니다. 제안된 프레임워크는 동적 요소를 통해 각 반복에서 구축된 퍼지 규칙 기반 모델의 기여도를 제어하고, 샘플 기반 수정 메커니즘을 통해 검증 세트의 피드백에 따라 적응적으로 조정됩니다. 이를 통해 과적합 위험을 줄이고 모델의 성능을 향상시키는 것을 목표로 합니다.
시사점, 한계점
•
시사점:
◦
그래디언트 부스팅과 퍼지 규칙 기반 모델의 통합을 통해 모델 성능 및 해석 가능성 향상.
◦
과적합 방지, 모델 간의 다양성 확보, 모델의 동적 튜닝을 위한 동적 요소 활용.
◦
샘플 기반 수정 메커니즘을 통한 모델의 적응적 조정.
◦
모델 유지 보수 및 업데이트 용이성.
•
한계점:
◦
구체적인 구현 세부 사항 및 다양한 데이터셋에 대한 일반화 성능에 대한 추가적인 연구 필요.
