Fuzzy variants of prototype based clustering and classification algorithms

Groeperen en classificeren op basis van prototypen is een specifiek onderwerp binnen de gebieden van het machinale leren en kunstmatige neurale netwerken. Het kan toegepast worden voor data mining, statistische data-analyse, patroonherkenning en informatiewinning. Datapunten, die in werkelijkheid tot verschillende groepen of klassen behoren, kunnen overlappen waardoor ze niet eenduidig gescheiden kunnen worden. Het overlappen van data wordt fuzziness genoemd, en verwijst naar de probabilistische of possibilistische toekenningen van datapunten aan groepen of klassen. Het kan gezien worden als leren met onzekerheden. In dit proefschrift worden een aantal gecontroleerde en ongecontroleerd methoden - specifiek c-Means, Learning Vector Quantization, Self Organizing Maps, Neural Gas and Affinity Propagation - uitgebreid om om te kunnen gaan met dit soort fuzziness. Hoewel een aantal van de genoemde methoden al varianten heeft die om kunnen gaan met fuzzy data, betreffen de voorgestelde aanpassingen verschillende verdere aspecten, zoals het groeperen van median data, het gebruik van divergenties als nabijheidsmaten en relevance learning. Daarnaast worden verschillende maten gebruikt om fuzzy classificatie en fuzzy groeperen te evalueren.