💻 computer science

A data-driven classifier integrating symmetric intuitionistic fuzzy TOPSIS with self-interactive sequential three-way decision

Dit artikel stelt een datagedreven, verliesfunctievrije binaire classifier voor die symmetrische intuïtionistische fuzzy TOPSIS integreert met zelf-interactieve sequentiële driewegbesluitvorming om bestaande beperkingen te overwinnen door gebruik te maken van objectieve attribuutgewichten, gebalanceerde afstandmetingen en een interne feedbackloop voor adaptieve drempelwaardeinstelling, waardoor de classificatieprestaties en robuustheid worden verbeterd.

Oorspronkelijke auteurs: Yangyang Guo, Wenyan Xu, Qiang Chen

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yangyang Guo, Wenyan Xu, Qiang Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een hiring manager bent die probeert te beslissen wie aan te nemen uit een stapel cv's. Je hebt een lijst met kandidaten (de data) en een lijst met vaardigheden om te controleren (de attributen). Je doel is om ze te sorteren in drie stapels: Aannemen, Niet Aannemen, en "Ik weet het niet zeker, laten we beter kijken."

Dit artikel introduceert een nieuwe, slimmere manier om dit te sorteren, genaamd SIF-TOPSIS-S3WD. Het combineert drie krachtige ideeën om het besluitvormingsproces eerlijker, evenwichtiger en weerbaarder tegen rommelige data te maken. Zo werkt het, onderverdeeld in eenvoudige stappen:

1. Het probleem met oude methoden

Traditionele methoden hebben vaak drie grote gebreken:

Subjectieve wegingen: De persoon die de selectie doet, raadt misschien welke vaardigheden het belangrijkst zijn (bijv. "Ik denk dat coderen 50% belangrijker is dan teamwork"). Dit is bevooroordeeld.
Eenzijdige scoring: Ze richten zich misschien te veel op "goede" eigenschappen en negeren "slechte" eigenschappen, of andersom, wat leidt tot een ongebalanceerd beeld.
Het "Sneeuwbal-effect": Sommige methoden proberen de "onzekere" kandidaten op te lossen door één voor één meer vragen toe te voegen. Als je de eerste paar antwoorden fout krijgt, stapelen deze fouten zich op, waardoor de uiteindelijke beslissing slechter wordt.

2. De nieuwe oplossing: Een proces in drie fasen

De auteurs stellen een systeem voor dat deze problemen oplost met drie hoofdfasen:

Fase 1: Laat de data bepalen hoe belangrijk iets is (Objectieve wegingen)

In plaats van dat een mens raadt welke vaardigheden het meest belangrijk zijn, gebruikt het systeem een wiskundig hulpmiddel genaamd Shannon Entropy (denk aan een "chaosmeter").

De analogie: Stel je voor dat je een kookwedstrijd beoordeelt. Als elke deelnemer zout precies op dezelfde manier gebruikt, is zout geen goede manier om hen van elkaar te onderscheiden. Maar als sommigen veel en anderen niets gebruiken, wordt zout een zeer belangrijke factor.
Hoe het werkt: Het systeem kijkt naar de data. Als een vaardigheid sterk varieert tussen kandidaten, geeft het systeem een hoge weging (het doet er veel toe). Als iedereen hetzelfde is op een bepaald gebied, geeft het systeem een lage weging (het helpt niet bij het onderscheiden). Dit verwijdert menselijke bias.

Fase 2: De perfecte balans (Symmetric Intuitionistic Fuzzy TOPSIS)

Zodra de wegingen zijn ingesteld, moet het systeem de kandidaten scoren. Het gebruikt een methode genaamd TOPSIS, wat lijkt op het zoeken naar de "Perfecte Kandidaat" en de "Slechtste Kandidaat" in de kamer.

De analogie: Stel je een weegschaal voor. Aan de ene kant staat de "Ideale Held" (perfecte vaardigheden, geen gebreken). Aan de andere kant staat de "Ideale Schurk" (slechtste vaardigheden, maximale gebreken).
De innovatie: De meeste oude methoden kijken alleen naar hoe dicht je bij de Held bent. Deze nieuwe methode kijkt naar beide kanten evenveel. Het vraagt: "Hoe dicht ben je bij de Held, EN hoe ver ben je van de Schurk?"
Het resultaat: Het berekent een "Relatieve Nabijheid"-score. Dit zorgt ervoor dat iemand met een klein gebrek niet onrechtvaardig wordt afgestraft, en dat iemand met een kleine goede prestatie niet onverdiend wordt doorgeplaatst. Het behandelt "goed" en "bad" bewijs symmetrisch.

Fase 3: De zelfcorrigerende lus (Self-Interactive Sequential Three-Way Decision)

Nu heeft het systeem een score voor iedereen. Maar wat doe je met de mensen in het midden?

De oude manier: Traditionele methoden voegen misschien meer vragen (attributen) toe aan de "onzekere" groep. Als je een slechte vraag stelt, kun je iemand verkeerd classificeren, en die fout wordt doorgevoerd naar de volgende ronde.
De nieuwe manier: Dit systeem gebruikt een Self-Interactive Loop.
- Het neemt de "onzekere" groep en vraagt: "Wat is de beste manier om deze specifieke groep op dit moment te splitsen?"
- Het voegt geen nieuwe vragen toe. In plaats daarvan past het de drempels (de slagingsscore) dynamisch aan op basis van de huidige scores van de groep.
- Het creëert een feedbacklus: Het probeert verschillende slagingsnormen, ziet welke norm de eerlijkste splitsing creëert, en legt die vervolgens vast.
- Het voordeel: Omdat het niet constant nieuwe vragen blijft toevoegen (wat fouten kan introduceren), vermijdt het de "sneeuwbal van misclassificaties". Het verfijnt de beslissing met dezelfde informatie, door er telkens vanuit een slimmer perspectief naar te kijken.

3. Heeft het gewerkt? (De resultaten)

De auteurs hebben deze nieuwe "Hiring Manager" getest op negen echte datasets (zoals medische gegevens over borstkanker of diabetes).

Prestaties: Het presteerde erg goed en versloeg vaak standaardmethoden zoals Random Forests of basis-TOPSIS. Het was met name goed in het vinden van de "positieve" gevallen (hoge Recall), wat betekent dat het zelden een kandidaat miste die aangenomen had moeten worden.
Robuustheid: Ze hebben getest wat er gebeurt als de data "vies" is (ruis, ontbrekende waarden of uitschieters). Zelfs toen de data corrupt was, bleef deze nieuwe methode stabiel en liep hij niet vast, terwijl oudere methoden meer moeite hadden.

Samenvatting

Kortom, dit artikel boude een classifier die:

Niet gokt welke kenmerken belangrijk zijn (het berekent het).
Balans vindt door goed en slecht bewijs gelijkwaardig te behandelen (geen bias).
Beslissingen verfijnt door de regels voor de "onzekere" groep aan te passen, in plaats van meer potentieel verwarrende vragen toe te voegen.

Het resultaat is een besluitvormingsinstrument dat eerlijker, nauwkeuriger en beter bestand is tegen rommelige data.

Technische Samenvatting: Een Datagestuurde Classificator die Symmetrische Intuïtionistische Fuzzy TOPSIS integreert met Zelf-Interactieve Sequentiële Drie-Weg Besluitvorming

Probleemstelling
Binaire classificatietaken worden vaak geconfronteerd met uitdagingen gerelateerd aan onzekerheid, aarzeling en overlappende klassengrenzen. Hoewel bestaande methoden zoals logistische regressie en support vector machines effectief zijn, kunnen zij moeite hebben met complexe vormen van onzekerheid. Fuzzy sets en sequentiële drie-weg beslissingen (S3WD) bieden theoretische uitbreidingen om deze problemen aan te pakken. De huidige benaderingen kampen echter met specifieke beperkingen:

Subjectiviteit en Bias: Intuïtionistische Fuzzy TOPSIS (IF-TOPSIS) methoden vertrouwen vaak op subjectieve attribuutgewichten of asymmetrische nabijheidsformules die directionele bias introduceren.
Accumulatie van Misclassificaties: Traditionele S3WD-modellen lossen ambigue instanties doorgaans op door progressief de attribuutset te vergroten. Dit kan leiden tot een lage beslissingsnauwkeurigheid in de vroege stadia en de accumulatie van misclassificaties naarmate er meer attributen worden toegevoegd.
Drempelafhankelijkheid: Bestaande S3WD-modellen leunen zwaar op verliesfuncties om drempels te bepalen, die ofwel handmatig worden ingesteld of computationeel duur zijn om af te leiden.
Gebrek aan Integratie: Er is onvoldoende onderzoek naar het integreren van objectieve attribuutweging met het triseerproces in de context van TOPSIS-gebaseerde classificatie.

Methodologie
Het artikel stelt een verenigd, datagestuurd framework voor genaamd SIF-TOPSIS-S3WD, dat symmetrische intuïtionistische fuzzy TOPSIS integreert met een zelf-interactief sequentieel drie-weg besluitvormingsmechanisme. De methodologie verloopt in drie afzonderlijke stadia:

Objectieve Bepaling van Gewichten:
In plaats van handmatige weging gebruikt de auteur een verbeterde Shannon-entropie-gebaseerde methode binnen een intuïtionistische fuzzy-omgeving. Deze benadering berekent elementaire informatie-maten ( $E_{ij}$ ) op basis van lidmaatschap, niet-lidmaatschap en aarzelingsgraden. Deze maten worden genormaliseerd om entropiewaarden te berekenen, die vervolgens worden gebruikt om objectieve attribuutgewichten af te leiden. De gewichten worden in de beslissingsmatrix ingebed via een Atanassov-type machtsoperatie, die hoog-gewogen attributen versterkt en laag-gewogen attributen onderdrukt, terwijl de intuïtionistische fuzzy-structuur behouden blijft.
Symmetrische Intuïtionistische Fuzzy TOPSIS:
Het framework berekent een symmetrische relatieve nabheidgraad voor elk object. In tegen tegenstelling tot traditionele TOPSIS, identificeert deze methode:

Positieve Ideale Oplossingen (PIS) en Negatieve Ideale Oplossingen (NIS) dynamisch op basis van netto effectiviteitsscores ( $\mu' - \nu'$ ) in plaats van vooraf gedefinieerde attribuuttypen.
Gebruikt een max-type symmetrische metriek om afstanden tot PIS en NIS te berekenen. Deze metriek behandelt afwijkingen in lidmaatschaps- en niet-lidmaatschapsgraden als gelijkwaardig, waardoor directionele bias wordt geëlimineerd.
Berekent een relatieve nabheidgraad ( $T_i$ ) die zowel de aantrekking tot het positieve ideaal als de afstoting van het negatieve ideaal reflecteert.

Zelf-Interactieve Sequentiële Drie-Weg Besluitvorming (S3WD):
In plaats van de attribuutset uit te breiden, werkt de classificator op een vaste set attributen. Het transformeert de continue relatieve nabheidscijfers in hiërarchische classificatiebeslissingen (Positieve, Negatieve en Grensregio's) via een interne feedbackloop:

Drempelverloop (Threshold Traversal): Een eindig rooster van kandidaat-drempelparen $(\alpha, \beta)$ wordt gegenereerd op basis van het aantal objecten in de huidige grensregio.
Waarschijnlijkheidsbeoordeling: Voor elk object worden waarschijnlijkheidsbeoordelingsfuncties ( $h_1, h_2, h_3$ ) afgeleid van de relatieve nabheidscijfers om de waarschijnlijkheid te schatten dat men tot de positieve, negatieve of grensregio behoort.
Optimale Trisectie: Een trisectie-evaluatiemaat ( $H$ ) kwantificeert de kwaliteit van verschillende drempelcombinaties. Het algoritme selecteert iteratief het drempelpaar dat $H$ maximaliseert, wat een adaptief, zonder verliesfunctie werkend proces creëert.
Terminatie: Het proces herhaalt zich op de resterende grensobjecten totdat convergentie optreedt of totdat er geen unieke optimale trisection kan worden bepaald, wat inherent de accumulatie van misclassificaties voorkomt die geassocieerd wordt met progressieve attribuutexpansie.

Kernbijdragen
Het artikel identificeert drie primaire bijdragen:

Objectieve Weging: Een verbeterde intuïtionistische fuzzy Shannon-entropie methode wordt geïntroduceerd om attribuutgewichten objectief te bepalen door aarzelingsinformatie te incorporeren, wat de subjectieve bias vermindert die gebruikelijk is bij conventionele IF-TOPSIS modellen.
Symmetrische Evaluatie: Een symmetrische relatieve nabheidscijfer gebaseerd op een max-type afstand wordt voorgesteld. Dit legt een evenwichtige bestraffing op aan afwijkingen in lidmaatschaps- en niet-lidmaatschapsinformatie, wat de geometrische consistentie verbetert.
Loss-Function-Free S3WD: Een nieuw sequentieel drie-weg beslissingsframework wordt geconstrueerd dat steunt op relatieve nabheidscijfers en een intern zelf-interactief mechanisme. Het genereert hiërarchische beslissingen met adaptieve dynamische drempels op een vaste attribuutset, waardoor het risico op accumulatie van misclassificaties dat voorkomt bij traditionele S3WD-instellingen natuurlijk wordt vermeden.

Experimentele Resultaten
De voorgestelde classificator werd geëvalueerd op negen binaire classificatiedatasets uit de UCI Machine Learning Repository (bijv. Wdbc, Breast, Glioma, German).

Prestaties: De methode behaalde concurrerende resultaten, met name wat betreft Recall en F1-score. Het behaalde de beste of gedeelde beste resultaten op verschillende datasets (Breast, Glioma, German, Statlog) en vertoonde de hoogste gemiddelde recall onder de vergeleken methoden. Hoewel Naive Bayes in sommige metrieken een hogere gemiddelde nauwkeurigheid liet zien, bood SIF-TOPSIS-S3WD een gunstige balans tussen precisie en recall.
Robuustheid: Onder gemengde feature-perturbaties (Gaussische ruis, ontbrekende waarden en uitschieters) op niveaus tot 30%, behield de voorgestelde methode een stabiele prestatie. Het rangschikte consequent onder de top drie methoden over alle perturbatieniveaus, waarbij het de traditionele TOPSIS-varianten overtrof die gevoeliger bleken voor datacorruptie.
Sensitiviteit: Sensitiviteitsanalyse met betrekking tot de aarzelingsparameter ( $\pi$ ) gaf aan dat de optimale waarde dataset-afhankelijk is, wat suggereert dat er behoefte is aan data-gestuurde afstemming in plaats van een universele constante.

Betekenis en Claims
De auteurs beweren dat de synergie tussen symmetrische intuïtionistische fuzzy-representatie en sequentiële drie-weg beslissingen een robuust en interpreteerbaar framework biedt voor binaire classificatie. De significantie van het werk ligt in:

De verschuiving van ranking-georiënteerde IF-TOPSIS naar een hiërarchisch classificatiemechanisme.
Het bieden van een loss-function-free alternatief voor traditionele S3WD-modellen dat de noodzaak voor handmatige specificatie van verliesfuncties elimineert.
Het mitigeren van het probleem van de accumulatie van misclassificaties door te opereren op een vaste attribuutset met adaptieve drempels in plaats van progressieve attribuutexpansie.
Het aantonen dat de classificator een datagestuurde, gewicht-bewuste benadering biedt die qua prestaties en robuustheid tegen datacontaminatie concurrerend is.

Het artikel sluit bescheiden af met de opmerking dat hoewel de methode competitief is, deze niet uniform dominant is over alle datasets en metrieken. Toekomstig werk wordt gesuggereerd om het framework uit te breiden naar multi-class settings en om learning-gebaseerde mechanismen voor het bepalen van de aarzelingsgraad te verkennen.