ファジーロジック

##ファジーロジックとは何ですか？

ファジーロジックは、変数処理へのアプローチであり、複数の可能な真理値を同じ変数で処理できるようにします。ファジーロジックは、オープンで不正確なスペクトルのデータとヒューリスティックを使用して問題を解決しようとします。これにより、一連の正確な結論を得ることができます。

ファジーロジックは、利用可能なすべての情報を考慮し、入力を考慮して可能な限り最善の決定を行うことにより、問題を解決するように設計されています。

##ファジーロジックを理解する

ファジーロジックは、多値ロジックの数学的研究に由来します。通常のロジックは絶対的な真実のステートメント（「このオブジェクトは緑色ですか？」など）を扱いますが、ファジーロジックは、「背の高い」、「大きい」、「美しい」などの主観的または相対的な定義を持つセットに対応します。これらの試みは、絶対的な真実や虚偽ではなく、漠然としたまたは不正確な値に依存する方法で、人間が問題を分析して決定を下す方法を模倣します。

実際には、これらの構成はすべて「真の」条件の部分的な値を考慮に入れています。古典的なロジックのように、すべてのステートメントが絶対的に真または絶対的に偽である必要があるのではなく、ファジーロジックの真の値は0から1の間の任意の値にすることができます。これにより、アルゴリズムが1つの個別のデータポイントではなく、データの範囲に基づいて決定を下す機会が生まれます。

標準ロジックでは、すべてのステートメントに絶対値（trueまたはfalse）が必要です。ファジー論理では、真理値は0から1までの「メンバーシップ」の程度に置き換えられます。ここで、1は絶対に真であり、0は絶対に偽です。

##ファジーロジックの歴史

ファジーロジックは、1965年のジャーナル** Information and Control **の論文でLotfiZadehによって最初に提案されました。「FuzzySets」というタイトルの彼の論文では、Zadehは情報処理で使用されるデータの種類を反映しようとし、要素論理を導き出しましたこの種のセットのルール。

「多くの場合、現実の世界で遭遇するオブジェクトのクラスには、正確に定義されたメンバーシップの基準がありません」とザデは説明しました。 「それでも、そのような不正確に定義された「クラス」は、人間の思考、特にパターン認識、情報の伝達、および抽象化の領域で重要な役割を果たすという事実は残っています。」

それ以来、ファジーロジックは、機械制御システム、画像処理、人工知能、およびあいまいな解釈の信号に依存するその他の分野にうまく適用されてきました。

##特別な考慮事項

最も基本的な意味でのファジーロジックは、ディシジョンツリータイプの分析を通じて開発されます。したがって、より広いスケールで、それはルールベースの推論によってプログラムされた人工知能システムの基礎を形成します。

一般に、ファジーという用語は、意思決定ツリーのようなシステムで開発できる膨大な数のシナリオを指します。ファジーロジックプロトコルを開発するには、ルールベースのプログラミングの統合が必要になる場合があります。これらのプログラミングルールは、包括的なモデルの裁量で開発されているため、ファジーセットと呼ばれることがあります。

ファジー集合もより複雑になる可能性があります。より複雑なプログラミングのアナロジーでは、プログラマーは変数の包含と除外を決定するために使用されるルールを広げる能力を持っているかもしれません。これにより、ルールベースの推論の精度が低くなり、オプションの範囲が広がる可能性があります。

ファジーロジックはトレーディングソフトウェアで使用でき、売買シグナルの市場データを分析するために使用されます。

##人工知能におけるファジーセマンティクス

ファジーロジックとファジーセマンティクスの概念は、人工知能ソリューションのプログラミングの中心的なコンポーネントです。ファジーロジックからのプログラミング機能も拡大するにつれて、人工知能ソリューションとツールは、さまざまなセクターにわたって経済の中で拡大し続けています。

IBMのワトソンは、ファジーロジックとファジーセマンティクスのバリエーションを使用する最もよく知られている人工知能システムの1つです。特に金融サービスでは、ファジーロジックは、投資インテリジェンスの出力をサポートする機械学習およびテクノロジーシステムで使用されています。

一部の高度な取引モデルでは、ファジーロジック数学の統合を使用して、アナリストが自動化された売買シグナルを作成するのを支援することもできます。これらのシステムは、投資家が投資に影響を与えるさまざまな変化する市場変数に対応するのに役立ちます。

##ファジーロジックの例

高度なソフトウェア取引モデルでは、システムはプログラム可能なファジーセットを使用して、数千の証券をリアルタイムで分析し、投資家に利用可能な最善の機会を提供できます。トレーダーが検討のために複数の要素を利用しようとする場合、ファジーロジックがよく使用されます。これにより、取引決定の分析が狭くなる可能性があります。トレーダーは、取引を制定するためのさまざまなルールをプログラムする機能も持っている場合があります。 2つの例は次のとおりです。

-ルール1：移動平均が低く、相対力指数（RSI）が低い場合は、売ります。

-ルール2：移動平均が高く、相対強度指数（RSI）が高い場合は、購入します。

ファジーロジックを使用すると、トレーダーは、これらの基本的な例の低値と高値に関する独自の主観的推論をプログラムして、独自の自動取引信号に到達できます。

##ファジーロジックの長所と短所

ファジーロジックは、マシンコントローラーや人工知能で頻繁に使用され、トレーディングソフトウェアにも適用できます。幅広い用途がありますが、かなりの制限もあります。

ファジーロジックは人間の意思決定を模倣しているため、入力があいまいまたは歪んでいる複雑な問題をモデル化する場合に最も役立ちます。自然言語との類似性により、ファジー論理アルゴリズムは標準の論理プログラミングよりもコーディングが容易であり、必要な命令が少ないため、メモリストレージ要件を節約できます。

ファジーロジックの性質が不正確であるため、これらの利点には欠点もあります。システムは不正確なデータと入力用に設計されているため、不正確な結果を防ぐためにテストと検証を行う必要があります。

TTT

##結論

ファジーロジックは、人間の意思決定に影響を与える不確実性を組み込んだ古典的なロジックの拡張です。これは、パラメーターが不明確または不正確である可能性がある複雑な問題を解決するために頻繁に使用されます。ファジーロジックは投資ソフトウェアでも使用され、あいまいまたは不明確な取引シグナルを解釈するために使用できます。

##ハイライト

-通常の言語と類似しているため、ファジーアルゴリズムのコーディングは比較的簡単ですが、徹底的な検証とテストが必要になる場合があります。

-理論的には、これにより、絶対的な真実または虚偽の陳述がまれである現実の状況を模倣する機会がアプローチに与えられます。

-ファジーロジックは、すべてのステートメントの真の値が1または0である、標準ロジックからの一般化です。ファジーロジックでは、ステートメントは0.9や0.5などの部分的な真の値を持つことができます。

-ファジーロジックは、より高度なデシジョンツリー処理とルールベースのプログラミングとのより良い統合を可能にするヒューリスティックアプローチです。

-ファジーロジックは、定量アナリストがアルゴリズムの実行を改善するために使用する場合があります。

＃＃よくある質問

###ファジーロジックは機械学習と同じですか？

ファジーロジックは、多くの場合、機械学習と一緒にグループ化されますが、同じものではありません。機械学習とは、複雑な問題を解決するためにアルゴリズムを繰り返し適応させることにより、人間の認識を模倣する計算システムを指します。ファジーロジックは、不正確なデータセットを操作できる一連のルールと関数ですが、アルゴリズムは人間がコーディングする必要があります。どちらの分野も、人工知能と複雑な問題解決に応用されています。

###データマイニングのファジーロジックとは何ですか？

データマイニングは、統計、機械学習、コンピューターサイエンスと重複する分野である、大量のデータセットの重要な関係を特定するプロセスです。ファジーロジックは、ファジーデータセットから論理的な結論に到達するために使用できる一連のルールです。データマイニングは不正確な測定に適用されることが多いため、ファジーロジックは、この種のデータから関連する関係を判断するための便利な方法です。

###ファジーロジックとニューラルネットワークの違いは何ですか？

人工神経ネットワークは、人間のような神経系の問題解決手順を模倣するように設計された計算システムです。これは、不正確なデータから結論に達するように設計された一連のルールであるファジーロジックとは異なります。どちらもコンピュータサイエンスに応用されていますが、それらは別個の分野です。