我正在閱讀關於模糊邏輯，我只是沒有看到它在大多數情況下會如何改進機器學習算法（它似乎被應用於相對經常的情況）。模糊邏輯是否真的提高了簡單的機器學習算法？
例如，k個最近的鄰居。如果你有一堆像color: [red,blue,green,orange], temperature: [real number], shape: [round, square, triangle]這樣的屬性，除了真正的編號屬性（如果我錯了，請糾正我），你不能真正模糊化任何這些屬性，我不明白這怎麼能改善更多比起把東西放在一起。
如何使用機器模糊邏輯來改善機器學習？在大多數網站上可以找到的玩具例子在大多數時候似乎都不適用。
當變量具有自然形狀解釋時，建議使用模糊邏輯。例如，[很少，很少，很多，很多]都有一個很好的重疊梯形對值的解釋。
像顏色這樣的變量可能不會。模糊變量表示成員資格的程度，即變得有用時。
關於機器學習，它取決於您想要應用模糊邏輯的算法的哪個階段。在發現羣集（使用傳統學習技術）來確定每個羣集上的搜索空間中的某個點的隸屬度時，在我看來這會更好地應用，但是這不會提高每個人看到的學習，但是在分類之後學習。
我不清楚你在給你的例子（形狀，顏色等）想要完成什麼。模糊邏輯已經成功地用於機器學習，但我個人認爲它可能更常用於構建策略。而不是去上吧，我是指你的文章我發表在「電腦AI」雜誌，這有望使思想清晰的3月/ 4-2002問題：
[圓形，方形，三角形]大多是理想的類別，主要存在於幾何學（即理論上）。在現實世界中，一些形狀可能幾乎是正方形或多或少圓形（圓形）。有許多紅色的細微差別，有些顏色與其他顏色更接近（例如，要求女性解釋綠松石）。因此，抽象類別和某些特定值也可以作爲參考，在現實世界中，對象或值不一定等於這些值。
模糊成員資格允許您測量某個理想中某些特定對象的距離。使用這種方法可以避免「不，這不是循環的」（這可能會導致信息丟失），並且使用給定對象的測量（不是）循環。
在我看來，模糊邏輯是不是一個可行實用的方法來任何東西，除非你正在建設一個目的構建模糊化控制器或一些基於規則的結構像合規/政策。儘管模糊意味着處理0和1之間的所有內容，但是，當你需要在3維空間中應用模糊邏輯時，遇到更復雜的問題時，我發現有點缺陷。您仍然可以使用多變量，而無需查看模糊邏輯。不幸的是，對於我研究了模糊邏輯，我發現自己不同意模糊集合在大空間空間中接近的原理，這似乎是不可行的，不切實際的，而且在邏輯上不是很合理。您將在模糊集解決方案中應用的自然語言基礎也將非常專業，非常少，很多這些都是您在應用程序中定義的內容。 了很多，機器學習方面，你會發現，你甚至不用去那麼遠，建立自然語言的基礎到模型。事實上，你會發現你可以實現更好的結果，而不必將模糊邏輯應用到模型的任何方面。
太刺激你了強行添加模糊到這一點。如果不是「形狀」屬性，而是「」屬性，那麼它將被進一步分成「少」，「中」，「多」和「不可數」。正方形可能是「較少」和「中等」的一部分，都具有適當的隸屬函數。代替「顏色」屬性，如果你有「紅色」屬性，那麼使用RGB代碼，就可以創建一個隸屬函數。所以根據我在數據挖掘方面的經驗，每種方法都可以應用於每個數據集，有效，有效。
難道只有將離散集合轉換爲連續集合並獲得與模糊相同的效果，同時能夠使用所有概率論技術？
例如size ['small'，'medium'，'big'] ==> [0,1]
這是一個語義問題。如果您不是在談論它們的文字RGB值，紅色/藍色/綠色/橙色可能是「模糊」的術語。對於圓形/方形/三角形的術語也是如此。 – Cerin 2011-01-03 19:05:10