Логички приступ моделовању сличности

Abstract

У овој докторској дисертацији уведен је логички приступ моделовању сличности који је заснован на интерполативној Буловој алгебри. За мерење сличности, предложене су нове интерпретабилне логичке мере, параметарске и непараметарске, као и дескриптивни оператор агегације – логичка агрегација. Поред пружања теоријске основе, у овом истраживању посебна пажња је посвећена емпиријској анализи. У сврху валидације дефинисаних мера уведена је логичка класификација заснована на ИБА сличности. За све уведене мере извршена је евалуација и поређење на реалним подацима из домена медицине, где је показано да увођење параметара унапређује резултате класификације. На крају су приказане могућности за конструисање логичких класификатора заснованих на експертским функцијама сличности на проблему предвиђања банкротства предузећа.

In this doctoral thesis, a logical approach to similarity modeling based on interpolative Boolean algebra is introduced. Novel interpretable logical measures, both nonparametric and parametrized, are introduced for measuring similarity together with logical aggregation as a descriptive aggregation operator. Besides the theоretical background, in this research special attention is devoted to empirical analysis. For validation purposes, logical classification based on IBA similarity is introduced. Defined logical measures are evaluated and compared in the case of medical data, and it is shown that parameterized measures improve classification results. Finally, the benefits of logic-based classifiers with expert similarity functions are presented on the problem of corporate bankruptcy prediction.