Resumen de Análisis de la relevancia de las reglas en los sistemas basados en reglas difusas y su influencia en el equilibrio precisión e interpretabilidad
En primer lugar, se generan Sistemas Basados en Reglas Difusas (SBRDs) usando dos algoritmos de modelado aproximativo, FasArt y S-IRL, y dos algoritmos de modelado lingüístico, NefProx y L-IRL.
Una vez que se dispone de los SBRDs, se utilizan dos metodologías: 1.- Metodología de Selección de Reglas basada en Precisión, Interpretabilidad y Relevancia de las reglas.
Esta selección de reglas es guiada por Algoritmos Evolutivos Multi Objetivo (AEMOs), NSGA-II y SPEA2, que tienen tres Funciones Objetivo: Maximizar la Precisión, Maximizar la Interpretabilidad y Maximizar la Relevancia.
2.- Metodología de Análisis de la Influencia de la Relevancia de las Reglas en el Equilibrio Precisión-Interpretabilidad.
El análisis realizado involucra diferentes métricas de Relevancia (conservando reglas más relevantes o eliminando reglas menos relevantes), diferentes transformaciones ortogonales para estimar la relevancia (OLS, PQR y SVD), algoritmos de modelado aproximativos (FasArt y S-IRL) y lingüísticos (NefProx y L-IRL), cuatro métricas de Interpretabilidad (número de reglas, número de funciones de pertenencia, incoherencia de las reglas y similitud de la base de datos) y dos algoritmos genéticos (NSGA-II y SPEA2), y nueve conjuntos de datos obtenidos del repositorio del proyecto KEEL.
Como resultados se ha visto que la Relevancia de las reglas ha resultado ser un factor importante en el equilibrio Precisión-Interpretabilidad, dando lugar a buenos resultados finales en comparación con otros métodos publicados; se ha visto también que para el equilibrio son importantes las reglas de Baja Relevancia y no solo las de Alta Relevancia como se venía diciendo hasta ahora en la literatura, y se ha realizado un estudio de la Precisión y de la Interpretabilidad en función de la Relevancia.
