我正在阅读关于模糊逻辑，我只是没有看到它在大多数情况下会如何改进机器学习算法（它似乎被应用于相对经常的情况）。模糊逻辑是否真的提高了简单的机器学习算法？
例如，k个最近的邻居。如果你有一堆像color: [red,blue,green,orange], temperature: [real number], shape: [round, square, triangle]这样的属性，除了真正的编号属性（如果我错了，请纠正我），你不能真正模糊化任何这些属性，我不明白这怎么能改善更多比起把东西放在一起。
如何使用机器模糊逻辑来改善机器学习？在大多数网站上可以找到的玩具例子在大多数时候似乎都不适用。
当变量具有自然形状解释时，建议使用模糊逻辑。例如，[很少，很少，很多，很多]都有一个很好的重叠梯形对值的解释。
像颜色这样的变量可能不会。模糊变量表示成员资格的程度，即变得有用时。
关于机器学习，它取决于您想要应用模糊逻辑的算法的哪个阶段。在发现群集（使用传统学习技术）来确定每个群集上的搜索空间中的某个点的隶属度时，在我看来这会更好地应用，但是这不会提高每个人看到的学习，但是在分类之后学习。
我不清楚你在给你的例子（形状，颜色等）想要完成什么。模糊逻辑已经成功地用于机器学习，但我个人认为它可能更常用于构建策略。而不是去上吧，我是指你的文章我发表在“电脑AI”杂志，这有望使思想清晰的3月/ 4-2002问题：
[圆形，方形，三角形]大多是理想的类别，主要存在于几何学（即理论上）。在现实世界中，一些形状可能几乎是正方形或多或少圆形（圆形）。有许多红色的细微差别，有些颜色与其他颜色更接近（例如，要求女性解释绿松石）。因此，抽象类别和某些特定值也可以作为参考，在现实世界中，对象或值不一定等于这些值。
模糊成员资格允许您测量某个理想中某些特定对象的距离。使用这种方法可以避免“不，这不是循环的”（这可能会导致信息丢失），并且使用给定对象的测量（不是）循环。
在我看来，模糊逻辑是不是一个可行实用的方法来任何东西，除非你正在建设一个目的构建模糊化控制器或一些基于规则的结构像合规/政策。尽管模糊意味着处理0和1之间的所有内容，但是，当你需要在3维空间中应用模糊逻辑时，遇到更复杂的问题时，我发现有点缺陷。您仍然可以使用多变量，而无需查看模糊逻辑。不幸的是，对于我研究了模糊逻辑，我发现自己不同意模糊集合在大空间空间中接近的原理，这似乎是不可行的，不切实际的，而且在逻辑上不是很合理。您将在模糊集解决方案中应用的自然语言基础也将非常专业，非常少，很多这些都是您在应用程序中定义的内容。 了很多，机器学习方面，你会发现，你甚至不用去那么远，建立自然语言的基础到模型。事实上，你会发现你可以实现更好的结果，而不必将模糊逻辑应用到模型的任何方面。
太刺激你了强行添加模糊到这一点。如果不是“形状”属性，而是“”属性，那么它将被进一步分成“少”，“中”，“多”和“不可数”。正方形可能是“较少”和“中等”的一部分，都具有适当的隶属函数。代替“颜色”属性，如果你有“红色”属性，那么使用RGB代码，就可以创建一个隶属函数。所以根据我在数据挖掘方面的经验，每种方法都可以应用于每个数据集，有效，有效。
难道只有将离散集合转换为连续集合并获得与模糊相同的效果，同时能够使用所有概率论技术？
例如size ['small'，'medium'，'big'] ==> [0,1]
这是一个语义问题。如果您不是在谈论它们的文字RGB值，红色/蓝色/绿色/橙色可能是“模糊”的术语。对于圆形/方形/三角形的术语也是如此。 – Cerin 2011-01-03 19:05:10