Автоматическое создание нечетких правил в scikit-fuzzy

@Lefaen · Регистрация: 10.10.2020

Студворк — интернет-сервис помощи студентам

Добрый день. Освоив основы библиотеки scikit-fuzzy и нечеткой логики, поставил цель написать код для автоматического создания нечетких правил из массива данных. Так как в дальнейшем придется работать с большим количеством данных.

Так как я только недавно начал изучать данный раздел, то необходим взгляд и совет старших товарищей, а именно как это можно реализовать и какие темы мне необходимо изучить, дабы закрыть пробелы в знаниях. Мною был был написан данный код и не всегда он верно возвращает мне ожидаемое. Так как, правила которые он формирует, не всегда соответствуют истине.

Подскажите пожалуйста как мне улучшить мой код, и какие еще способы есть для достижения моей цели.
Большое Спасибо.

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
import pandas as pd
import skfuzzy as fuzz
import numpy as np
from skfuzzy import control as ctrl
import matplotlib.pyplot as plt
 
 
class Fuzzify(object):
    def __init__(self, data_series, Min, Max, Mid):
        self.data = data_series
        self.low = Min
        self.high = Max
        self.mid = Mid
        self.universe = np.arange(self.low, self.high+0.2, 0.1)
        self.trimf_low  = fuzz.trimf(self.universe, [self.low, self.low, self.mid])
        self.trimf_mid = fuzz.trimf(self.universe, [self.low, self.mid, self.high+0.1])
        self.trimf_hi  =  fuzz.trimf(self.universe, [self.mid, self.high+0.1, self.high+0.1])
 
    def get_universe(self):
        return self.universe
 
    def get_membership(self):
        new_df = pd.DataFrame(self.data)
        # степени принадлежности (membership) каждого элемента в массиве данных self.data
        new_df['low'] = fuzz.interp_membership(self.universe, self.trimf_low, self.data)
        new_df['mid'] = fuzz.interp_membership(self.universe, self.trimf_mid, self.data)
        new_df['high'] = fuzz.interp_membership(self.universe, self.trimf_hi, self.data)
        new_df['membership'] = new_df.loc[:, ['low', 'mid', 'high']].idxmax(axis = 1)
        # степень достоверности (degree) вычисляется как максимальное значение среди степеней принадлежности к низкому, среднему и высокому уровням для каждой строки
        new_df['degree'] = new_df.loc[:, ['low', 'mid', 'high']].max(axis = 1)
        return new_df
 
# Масса  тела
weight_1 = train_data["weight"]
weight_1_min = weight_1.min()
weight_1_max =  weight_1.max()
weight_1_mid =  np.median(np.arange(weight_1_min, weight_1_max, 0.1))
weight_1_object = Fuzzify(weight_1, weight_1_min, weight_1_max, weight_1_mid)
weight_1_fuzzified = weight_1_object.get_membership()
 
# Рост
height = train_data["height"]
height_min = height.min()
height_max =  height.max()
height_mid =  np.median(np.arange(height_min, height_max, 0.1))
height_object = Fuzzify(height, height_min, height_max, height_mid)
height_fuzzified = height_object.get_membership()
 
# Индекс тела
LBMI = train_data["LBMI"]
LBMI_min = LBMI.min()
LBMI_max =  LBMI.max()
LBMI_mid = 15
LBMI_object = Fuzzify(LBMI, LBMI_min, LBMI_max, LBMI_mid)
LBMI_fuzzified = LBMI_object.get_membership()
 
#  сводная функция для извлечения окончательного набора правил
def get_rule(train_data, *arg):
    """ возвращает окончательное нечеткое правило при любом количестве столбцов входных данных"""
 
    rule_df = train_data.copy()
    rule_df['degree'] = np.ones(train_data.shape[0])
    for col in rule_df.columns[:-1]:
        idx = train_data.columns.get_loc(col)
        rule_df[col] = arg[idx]['membership']
        rule_df['degree'] *=  arg[idx]['degree']
    final_rule = rule_df.groupby(list(rule_df.columns[:-2])).max()
    final_rule = final_rule.reset_index()
    print(final_rule)
    return final_rule
 
rulse_df = df_final = get_rule(train_data, weight_1_fuzzified, height_fuzzified, LBMI_fuzzified)
 
 
# Функция нечеткой логики
def test_scikit_fuzzy( weight,  height, rulse_df):
    # Антецеденты (Входы)
    weight_ant = ctrl.Antecedent(np.arange(0, 100.1, 0.1), 'weight')
    height_ant = ctrl.Antecedent(np.arange(1, 2.1, 0.1), 'height')
    # Консеквент (Выход)
    LBMI_ant = ctrl.Consequent(np.arange(0, 200, 0.1), 'LBMI')
 
    # Масса
    weight_ant['low'] = fuzz.trimf(weight_ant.universe, [0, 0, 50])
    weight_ant['mid'] = fuzz.trimf(weight_ant.universe, [40, 70, 90])
    weight_ant['high'] = fuzz.trimf(weight_ant.universe, [80, 100, 100])
 
    # Рост
    height_ant['low'] = fuzz.trimf(height_ant.universe, [1, 1, 1.7])
    height_ant['mid'] = fuzz.trimf(height_ant.universe, [1.5, 1.6, 1.8])
    height_ant['high'] = fuzz.trimf(height_ant.universe, [1.7, 2, 2])
 
    LBMI_ant['low'] = fuzz.trimf(LBMI_ant.universe, [0, 0, 25])
    LBMI_ant['mid'] = fuzz.trimf(LBMI_ant.universe, [20, 25, 35])
    LBMI_ant['high'] = fuzz.trimf(LBMI_ant.universe, [30, 200, 200])
 
    # Определение правил
    rules = []
    for index, row in rulse_df.iterrows():
      # Значения переменных из текущей строки
      weight_value = row['weight']
      height_value = row['height']
      LBMI_value = row['LBMI']
 
      # Правило на основе значений
      rule_name = f"rule_{index}"
      rule = ctrl.Rule(weight_ant[f"{weight_value}"] & height_ant[f"{height_value}"], LBMI_ant[f"{LBMI_value}"], label=rule_name)
      rules.append(rule)
    # Создание и моделирование системы контроля
    engine_ctrl = ctrl.ControlSystem(rules)
    engine_sim = ctrl.ControlSystemSimulation(engine_ctrl)
 
    engine_sim.input['weight'] = weight
    engine_sim.input['height'] = height
 
    engine_sim.compute()
    print(engine_sim.output['LBMI'])
    LBMI_ant.view(sim=engine_sim)

Code
1
2
3
4
5
6
7
8
9
10
  weight height  LBMI    degree
0   high   high   mid  0.714253
1   high    low  high  0.879428
2   high    mid   mid  0.546379
3    low   high   low  0.759496
4    low    low   mid  0.873341
5    low    mid   mid  0.888031
6    mid   high   mid  0.668177
7    mid    low   mid  0.546611
8    mid    mid   mid  0.815342

Новые блоги и статьи Все статьи Все блоги /
Очистка реквизитов документа при копировании Maks 09.04.2026 Алгоритм из решения ниже применим как для типовых, так и для нетиповых документов на самых различных конфигурациях. Задача: при копировании документа очищать определенные реквизиты и табличную. . .	модель ЗдравоСохранения 8. Подготовка к разному выполнению заданий anaschu 08.04.2026 https:/ / github. com/ shumilovas/ med2. git main ветка * содержимое блока дэлэй из старой модели теперь внутри зайца новой модели 8ATzM_2aurI	Блокировка документа от изменений, если он открыт у другого пользователя Maks 08.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа, разработанного в конфигурации КА2. Задача: запретить редактирование документа, если он открыт у другого пользователя. / / . . .	Система безопасности+живучести для сервера-слоя интернета (сети). Двойная привязка. Hrethgir 08.04.2026 Далее были размышления о системе безопасности. Сообщения с наклонным текстом - мои. А как нам будет можно проверить, что ссылка наша, а не подделана хулиганами, которая выбросит на другую ветку и. . .
Модель ЗдрввоСохранения 7: больше работников, больше ресурсов. anaschu 08.04.2026 работников и заданий может быть сколько угодно, но настроено всё так, что используется пока что только 20% kYBz3eJf3jQ	Дальние перспективы сервера - слоя сети с космологическим дизайном интефейса карты и логики. Hrethgir 07.04.2026 Дальнейшее ближайшее планирование вывело к размышлениям над дальними перспективами. И вот тут может быть даже будут нужны оценки специалистов, так как в дальних перспективах всё может очень сильно. . .	Горе от ума kumehtar 07.04.2026 Эта мне ментальная установка, что вот прямо сейчас, мол, мне для полного счастья не хватает (нужное вписать), и когда я этого достигну - тогда и полный кайф. Одна из самых сильных ловушек на пути. . . .	Использование значений реквизитов справочника в документе, с определенными условиями и правами Maks 07.04.2026 1. Контроль срока действия договора Алгоритм из решения ниже реализован на примере нетипового документа "ЗаявкаНаРаботу", разработанного в конфигурации КА2. Задача: уведомлять пользователя, если. . .