The Fuzzy-ROSA Method: A Statistically Motivated Fuzzy Approach for Data-Based Generation of Small Interpretable Rule Bases in High-Dimensional Search Spaces

Slawinski, T.; Krause, Paul; Kiendl, H.; Krone, A.

doi:10.1007/978-3-7908-1825-3_6

Cited by 7 publications

(3 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To meet different modeling goals, different rule test and rating strategies have been developed 18, 19. Such tests are based on the values of the premise and conclusion of each rule.…”

Section: Methods and Datamentioning

confidence: 99%

Characteristic amino acid combinations in olfactory G protein‐coupled receptors

et al. 2007

View full text Add to dashboard Cite

The human olfactory subgenome has recently been fully characterized with over 1000 genes. Although as many as two thirds of them are expected to be pseudogenes, it still leaves us with about half of all human G protein-coupled receptors being olfactory. It is therefore of great interest to characterize olfactory receptors with high precision. Usually it is done through sequence motifs that are not fully conserved, making an exact characterization difficult. In this paper, we propose a rule-based characterization of olfactory receptors derived from a multiple sequence alignment of human GPCRs. We show that just seven alignment sites are sufficient to characterize 99% of human olfactory GPCRs with one feature, a tyrosine at site 7.41, being of particular importance. We also show dependencies between sites near the extracellular and intracellular region of a membrane-embedded receptor, indicating that olfactory receptors are characterized by a combination of important residues in these two areas, whereas nonolfactory receptors tend to have residues of lower importance at the same sites.

show abstract

“…To meet different modeling goals, different rule test and rating strategies have been developed 18, 19. Such tests are based on the values of the premise and conclusion of each rule.…”

Section: Methods and Datamentioning

confidence: 99%

Characteristic amino acid combinations in olfactory G protein‐coupled receptors

et al. 2007

View full text Add to dashboard Cite

show abstract

“…Neben und einhergehend mit der methodische Weiterentwicklung ist das Fuzzy-ROSA-Verfahren an vielen Benchmarkproblemen getestet und erfolgreich für mehrere industrielle Aufgabenstellungen [26] eingesetzt worden. Im Folgenden wird ein kurzer Überblick der Anwendungen gegeben und auf zugehörige Literatur verwiesen:…”

Section: Anwendungenunclassified

“…Zu jedem Beispiel ist der Name und zusätzlich in Klammern die maximale Suchzeit (Sekunden), die maximale Kombinationstiefe und ein Literaturverweis angegeben.sind C4.5[24] und CART[2]. Tabelle 1 zeigt die mit dem Fuzzy-ROSA-Verfahren erzielten Ergebnisse[26] auf Lernund Validierungsdaten ( learn / vali Fehlklassifikationsrate) und ordnet diese in die in der Literatur gezeigten Ergebnisse ein.Auf ein anderes Beispiel, die Mackey-Glass-Zeitreihe, mit kontinuierlicher Ausgangsgröße wird in Abschnitt 5.5 genauer eingegangen. Die Ergebnisse zeigen, dass die mit dem Fuzzy-ROSA-Verfahren erzielten Resultate in den vorderen Rängen liegen.…”

unclassified

Das Fuzzy-ROSA-Verfahren: Von der regelorientierten statistischen Analyse zur datenbasierten Generierung von interpretierbaren Takagi-Sugeno-Systemen (The Fuzzy–ROSA Method: From the Rule–Oriented Statistical Analysis to Data–Based Generation of Interpretable Takagi–Sugeno Systems)

Krause¹,

Slawinski²

2001

Auto

Self Cite

View full text Add to dashboard Cite

Data-Minings und insbesondere der datenbasierten Modellierung hat im Bereich der Automatisierungstechnik in den letzten Jahren einen regelrechten Boom erfahren. Die Gründe hierfür sind zum einen das Bedürfnis der Anwender nach Modellen für immer komplexere Systeme. Zum anderen ergeben sich aufgrund leistungsfähigerer Rechnersysteme und der Entwicklung neuer Methoden, besonders aus dem Bereich der Computational Intelligence, vielfältige Möglichkeiten, auch solche Probleme zu lösen, für die herkömmliche Lösungsansätze bisher nicht erfolgreich waren. Aus Akzeptanzgründen werden in der industriellen Praxis häufig interpretierbare Modelle gefordert. Zudem weisen sie den Vorteil auf, dass mit ihnen vorhandenes Wissen integriert und in datenbasierten Ansätzen neues Wissen extrahiert werden kann. Ein Verfahren zur datenbasierten Fuzzy-Modellierung, das sich insbesondere dann bewährt hat, wenn kompakte interpretierbare Regelsätze für komplexe Problemstellungen automatisch generiert werden sollen, ist das Fuzzy-ROSAVerfahren. In diesem Beitrag wird das Fuzzy-ROSA-Verfahren zunächst in seiner jetzigen Form vorgestellt. Dann wird genauer auf jüngste Weiterentwicklungen eingegangen, die zu einem sehr viel breiteren Anwendungsfeld geführt haben. Es wird gezeigt, wie mit neuen Regeltestund Bewertungsstrategien unterschiedliche Modellierungsziele berücksichtigt und welche Suchraumgrößen aufgrund der Effizienzsteigerung der Regelsuche bearbeitet werden kön-nen. Des Weiteren wird die insbesondere aus methodischer Sicht interessante Erweiterung des Fuzzy-ROSA-Verfahrens zur Generierung interpretierbarer Takagi-Sugeno-Systeme mit hoher Modellierungsgüte ausführlich vorgestellt.The use of data mining methods, especially data-based modeling, in the field of automation has experienced a boom over the last years. On the one hand the users are in need of models for systems with growing complexity. On the other hand there are new possibilities of solving problems, where common solving strategies failed, because of the increasing capacity of computer systems and the availability of new methods, especially in the field of computational intelligence. In many cases interpretable models are required to be accepted in industry. Moreover, interpretable models have the advantage that available knowledge can be easily integrated and with data-based methods new information can be gained. A method which has proven to be very efficient when it comes to generate automatically compact and interpretable small fuzzy rule bases is the Fuzzy-ROSA method. In this paper we show the present state of the Fuzzy-ROSA method and then we present in detail current research activities, which led to a far wider area of applications. We demonstrate how new test and rating strategies consider different modeling objectives and how the efficiency of the rule search is increased by new search methods. At last we present in detail an extension to the Fuzzy-ROSA method which generates interpretable Takagi-Sugeno systems with high modeling accuracy.

show abstract

Advanced Inference Filter Defuzzification

Kiendl

Krause

2001

Computational Intelligence. Theory and Applications

View full text Add to dashboard Cite

The Fuzzy-ROSA Method: A Statistically Motivated Fuzzy Approach for Data-Based Generation of Small Interpretable Rule Bases in High-Dimensional Search Spaces

Cited by 7 publications

References 5 publications

Characteristic amino acid combinations in olfactory G protein‐coupled receptors

Characteristic amino acid combinations in olfactory G protein‐coupled receptors

Das Fuzzy-ROSA-Verfahren: Von der regelorientierten statistischen Analyse zur datenbasierten Generierung von interpretierbaren Takagi-Sugeno-Systemen (The Fuzzy–ROSA Method: From the Rule–Oriented Statistical Analysis to Data–Based Generation of Interpretable Takagi–Sugeno Systems)

Advanced Inference Filter Defuzzification

Contact Info

Product

Resources

About