Resumen: Los sistemas difusos en evolución (EFS) han ganado una atención significativa debido a su capacidad para actualizar adaptativamente su estructura en respuesta a la dinámica de datos mientras mantienen la interpretabilidad. Sin embargo, la falta de implementaciones públicas disponibles de estos modelos limita su accesibilidad y su adopción generalizada. Para abordar esta brecha, presentamos evolucionandofuzzsystems, una biblioteca de Python que proporciona implementaciones de varios modelos EFS bien establecidos, incluidos EPL-KRLS-Disco, EPL+, EMG, EPL, EXT, simpl _ets y ETS. La biblioteca facilita la evaluación y la comparación del modelo al ofrecer herramientas incorporadas para capacitación, visualización y evaluación del rendimiento. Los modelos se evalúan utilizando el conjunto de datos de Fetch _california _Housing, con el rendimiento medido en términos de error normalizado de raíz cuadrada (NRMSE), índice de error no dimensional (NDEI) y error porcentual absoluto medio (MAPE). Además, la complejidad computacional se analiza midiendo los tiempos de ejecución y la evolución de las reglas durante las fases de entrenamiento y prueba. Los resultados destacan a EPL como un modelo simple pero eficiente que equilibra la precisión y el costo computacional, lo que lo hace particularmente adecuado para aplicaciones del mundo real. Al hacer que estos modelos estén disponibles públicamente, la evolución de los sistemas de fondos tiene como objetivo fomentar la investigación y las aplicaciones prácticas en el aprendizaje automático adaptable e interpretable.
Publicado Originalme en rss.arxiv.org El 9 de junio de 2025.
Ver Fuente Original
