Anda di halaman 1dari 2

Gedung Model Clustering Subtractive Clustering dan Fuzzy C-Means (SBC)

Gedung Model Clustering Subtractive Clustering dan Fuzzy C-Means (SBC) Ini adalah fungsi internal yang
mengimplementasikan kombinasi metode pengelompokan subtraktif dan fuzzy c-means. Hal ini
digunakan untuk menyelesaikan tugas regresi. Pengguna tidak perlu menelponnya secara langsung, tapi
cukup gunakan frbs.learn dan prediksikan

Pemakaian

SBC(data.train, range.data.ori, r.a = 0.5, eps.high = 0.5, eps.low = 0.15)

Argumen

Data.train = matriks (m n) data untuk proses pelatihan, dimana m adalah jumlah instance dan n adalah
jumlah variabel; Kolom terakhir adalah variabel output.

Range.data.ori = sebuah matriks (2 n) yang berisi kisaran data, di mana n adalah jumlah variabel, dan
baris pertama dan kedua masing-masing adalah nilai minimum dan maksimum.

R.a = radius yang menentukan lingkungan sekitar.

Eps.high = nilai ambang atas.

Eps.low = nilai ambang yang lebih rendah

Rincian :

Metode ini diusulkan oleh S. Chiu. Untuk menghasilkan aturan dalam tahap pembelajaran, metode
pengelompokan subtraktif digunakan untuk mendapatkan pusat cluster. Subtraktif pengelompokan
(SBC) merupakan perluasan dari Yager dan Filev ini metode gunung. SBC menganggap setiap titik data
sebagai pusat cluster potensial dengan menentukan potensi titik data sebagai fungsi jaraknya ke semua
titik data lainnya. Titik data memiliki nilai potensial tinggi jika titik data tersebut memiliki banyak
tetangga terdekat. Potensi tertinggi dipilih sebagai cluster center dan kemudian potensi masing-masing
titik data akan diperbaharui. Proses penentuan cluster baru dan pemutakhiran potensi berulang sampai
potensi yang tersisa dari semua titik data berada di bawah beberapa fraksi potensial dari pusat cluster
pertama. Setelah mendapatkan semua pusat cluster dari pengelompokan subtraktif, pusat cluster
dioptimalkan dengan fuzzy c-means.

Lihat juga

SBC.test, frbs.learn, and predict

Tahap Prediksi SBC

Fungsi ini adalah fungsi internal dari metode SBC untuk menghitung nilai prediksi.
Pemakaian

SBC.test(object, newdata)

Argumen

Objek = frbs-object.

Newdata = matriks (m n) data untuk proses prediksi, di mana m adalah jumlah instance dan n adalah jumlah
variabel input.

Lihat juga

SBC