Logica sfocata
Cos'è la logica fuzzy?
La logica fuzzy è un approccio all'elaborazione delle variabili che consente di elaborare più possibili valori di verità attraverso la stessa variabile. La logica fuzzy tenta di risolvere i problemi con uno spettro aperto e impreciso di dati e euristiche che consente di ottenere una serie di conclusioni accurate .
La logica fuzzy è progettata per risolvere i problemi considerando tutte le informazioni disponibili e prendendo la migliore decisione possibile in base all'input.
Capire la logica fuzzy
La logica fuzzy deriva dallo studio matematico della logica multivalore. Mentre la logica ordinaria si occupa di affermazioni di verità assoluta (come "questo oggetto è verde?"), la logica fuzzy affronta insiemi con definizioni soggettive o relative, come "alto", "grande" o "bello". Questo tenta di imitare il modo in cui gli esseri umani analizzano i problemi e prendono decisioni, in un modo che si basa su valori vaghi o imprecisi piuttosto che su verità o falsità assolute.
In pratica, tutti questi costrutti consentono valori parziali della condizione "vera". Invece di richiedere che tutte le affermazioni siano assolutamente vere o assolutamente false, come nella logica classica, i valori di verità nella logica fuzzy possono essere qualsiasi valore compreso tra zero e uno. Ciò crea un'opportunità per gli algoritmi di prendere decisioni in base a intervalli di dati anziché a un punto dati discreto.
Nella logica standard, ogni affermazione deve avere un valore assoluto: vero o falso. Nella logica fuzzy, i valori di verità sono sostituiti da gradi di "appartenenza" da 0 a 1, dove 1 è assolutamente vero e 0 è assolutamente falso.
Storia della logica fuzzy
La logica fuzzy è stata proposta per la prima volta da Lotfi Zadeh in un articolo del 1965 per la rivista Information and Control. Nel suo articolo, intitolato "Fuzzy Sets", Zadeh ha tentato di riflettere il tipo di dati utilizzati nell'elaborazione delle informazioni e ha derivato la logica elementare regole per questo tipo di set.
"Il più delle volte, le classi di oggetti incontrate nel mondo fisico reale non hanno criteri di appartenenza ben definiti", ha spiegato Zadeh. "Tuttavia, resta il fatto che tali 'classi' definite in modo impreciso svolgono un ruolo importante nel pensiero umano, in particolare nei domini del riconoscimento di schemi, della comunicazione di informazioni e dell'astrazione".
Da allora, la logica fuzzy è stata applicata con successo nei sistemi di controllo delle macchine, nell'elaborazione delle immagini, nell'intelligenza artificiale e in altri campi che si basano su segnali con interpretazioni ambigue.
Considerazioni speciali
La logica fuzzy nel suo senso più elementare è sviluppata attraverso l'analisi del tipo di albero decisionale. Pertanto, su scala più ampia, costituisce la base per i sistemi di intelligenza artificiale programmati attraverso inferenze basate su regole.
In generale, il termine fuzzy si riferisce al vasto numero di scenari che possono essere sviluppati in un sistema ad albero decisionale. Lo sviluppo di protocolli di logica fuzzy può richiedere l'integrazione della programmazione basata su regole. Queste regole di programmazione possono essere definite insiemi fuzzy poiché sono sviluppate a discrezione di modelli completi.
I set fuzzy possono anche essere più complessi. In analogie di programmazione più complesse, i programmatori possono avere la capacità di ampliare le regole utilizzate per determinare l'inclusione e l'esclusione di variabili. Ciò può comportare una gamma più ampia di opzioni con ragionamenti basati su regole meno precisi.
La logica fuzzy può essere utilizzata nei software di trading, dove viene utilizzata per analizzare i dati di mercato per i segnali di acquisto e vendita.
Semantica Fuzzy nell'Intelligenza Artificiale
Il concetto di logica fuzzy e semantica fuzzy è una componente centrale nella programmazione di soluzioni di intelligenza artificiale. Le soluzioni e gli strumenti di intelligenza artificiale continuano ad espandersi nell'economia in una vasta gamma di settori man mano che si espandono anche le capacità di programmazione della logica fuzzy.
Watson di IBM è uno dei più noti sistemi di intelligenza artificiale che utilizza variazioni di logica fuzzy e semantica fuzzy. In particolare nei servizi finanziari, la logica fuzzy viene utilizzata nell'apprendimento automatico e nei sistemi tecnologici che supportano i risultati dell'intelligence sugli investimenti.
In alcuni modelli di trading avanzati, l'integrazione della matematica della logica fuzzy può essere utilizzata anche per aiutare gli analisti a creare segnali automatici di acquisto e vendita. Questi sistemi aiutano gli investitori a reagire a un'ampia gamma di variabili di mercato mutevoli che influenzano i loro investimenti.
Esempi di logica fuzzy
Nei modelli di trading software avanzati, i sistemi possono utilizzare set fuzzy programmabili per analizzare migliaia di titoli in tempo reale e presentare all'investitore la migliore opportunità disponibile. La logica fuzzy viene spesso utilizzata quando un trader cerca di utilizzare più fattori da considerare. Ciò può comportare un'analisi ristretta per le decisioni di trading. Gli operatori possono anche avere la capacità di programmare una varietà di regole per l'emanazione di operazioni. Due esempi includono quanto segue:
Regola 1: se la media mobile è bassa e il Relative Strength Index (RSI) è basso, allora vendi.
Regola 2: se la media mobile è alta e l' indice di forza relativa (RSI) è alto, allora acquista.
La logica fuzzy consente a un trader di programmare le proprie inferenze soggettive su bassi e alti in questi esempi di base per arrivare ai propri segnali di trading automatizzati.
Vantaggi e svantaggi della logica fuzzy
La logica fuzzy è spesso utilizzata nei controller delle macchine e nell'intelligenza artificiale e può essere applicata anche al software di trading. Sebbene abbia una vasta gamma di applicazioni, ha anche limitazioni sostanziali.
Poiché la logica fuzzy imita il processo decisionale umano, è molto utile per modellare problemi complessi con input ambigui o distorti. A causa delle somiglianze con il linguaggio naturale, gli algoritmi di logica fuzzy sono più facili da codificare rispetto alla programmazione logica standard e richiedono meno istruzioni, risparmiando così sui requisiti di archiviazione della memoria.
Questi vantaggi hanno anche degli svantaggi, dovuti alla natura imprecisa della logica fuzzy. Poiché i sistemi sono progettati per dati e input imprecisi, devono essere testati e convalidati per evitare risultati imprecisi.
TTT
La linea di fondo
La logica fuzzy è un'estensione della logica classica che incorpora le incertezze che influenzano il processo decisionale umano. Viene spesso utilizzato per risolvere problemi complessi, in cui i parametri possono essere poco chiari o imprecisi. La logica fuzzy viene utilizzata anche nei software di investimento, dove può essere utilizzata per interpretare segnali di trading ambigui o poco chiari.
Mette in risalto
A causa delle somiglianze con il linguaggio ordinario, gli algoritmi fuzzy sono relativamente semplici da codificare, ma possono richiedere verifiche e test approfonditi.
Teoricamente, questo offre all'approccio maggiori opportunità di imitare circostanze della vita reale, dove le affermazioni di verità o falsità assoluta sono rare.
La logica fuzzy è una generalizzazione della logica standard, in cui tutte le affermazioni hanno un valore di verità pari a uno o zero. Nella logica fuzzy, le affermazioni possono avere un valore di verità parziale, ad esempio 0,9 o 0,5.
La logica fuzzy è un approccio euristico che consente un'elaborazione dell'albero decisionale più avanzata e una migliore integrazione con la programmazione basata su regole.
La logica fuzzy può essere utilizzata dagli analisti quantitativi per migliorare l'esecuzione dei loro algoritmi.
FAQ
La logica fuzzy è uguale all'apprendimento automatico?
La logica fuzzy è spesso raggruppata insieme all'apprendimento automatico, ma non sono la stessa cosa. L'apprendimento automatico si riferisce a sistemi computazionali che imitano la cognizione umana, adattando in modo iterativo algoritmi per risolvere problemi complessi. La logica fuzzy è un insieme di regole e funzioni che possono operare su set di dati imprecisi, ma gli algoritmi devono ancora essere codificati dall'uomo. Entrambe le aree hanno applicazioni nell'intelligenza artificiale e nella risoluzione di problemi complessi.
Che cos'è la logica fuzzy nel data mining?
data mining è il processo di identificazione di relazioni significative in grandi insiemi di dati, un campo che si sovrappone a statistica, apprendimento automatico e informatica. La logica fuzzy è un insieme di regole che possono essere utilizzate per raggiungere conclusioni logiche da insiemi di dati fuzzy. Poiché il data mining viene spesso applicato a misurazioni imprecise, la logica fuzzy è un modo utile per determinare le relazioni rilevanti da questo tipo di dati.
Qual è la differenza tra logica fuzzy e reti neurali?
rete neurale artificiale è un sistema computazionale progettato per imitare le procedure di risoluzione dei problemi di un sistema nervoso simile a quello umano. Questo è distinto dalla logica fuzzy, un insieme di regole progettate per trarre conclusioni da dati imprecisi. Entrambi hanno applicazioni nell'informatica, ma sono campi distinti.
