Luận tiến hành nghiên cứu thực nghiệm trên các tập dữ liệu hồi quy trong Bảng PL1 1 được mô tả trong phần Phụ lục Tương tự như các nghiên cứu thực nhiệm trong lĩnh vực hồi quy dựa trên hệ mờ, luận án tiến hành thử nghiệm theo phương pháp kiểm tra chéo 5-folds, lặp lại 6 lần trên mỗi fold, kết quả đem ra so sánh là giá trị trung bình của 30 lần chạy Thuật toánA sinh ra các LRBS tạo thành một mặt Pareto được sắp xếp theo thứ tự tăng dần của giá trị MSE trên tập huấn luyện Lời giải có MSE nhỏ nhất được gọi là điểm FIRST, luận án nghiên cứu so sánh giữa các thuật toán tại điểm này
Thực nghiệm 1: Để đạt được Mục tiêu 1, luận án thực hiện 2 thử nghiệm a) Thử nghiệm thứ nhất để so sánh độ chính xác của FRBS được thiết kế bởiA
MOEA (2 + 2) M-PAES và được áp dụng trên 9 bộ dữ liệu ELE1, ELE2, WAN, WIZ, TRE, ABA, MOR, CA và POLE trong bảng PL1 1 Kết quả đối sánh bằng phương pháp phân tích thống kê wilcoxon chỉ raA loại bỏ các thuật toán được đối sánh, chứng tỏ nó sinh ra các LRBS tốt hơn các thuật toán được so sánh bao gồm:
-
-
Thuật toán 1 được được đề xuất bởi Acalá và cộng sự [13], ký hiệu là PKB
và
Thuật toán 2 được phát triển dựa trên lý thuyết ĐSGT sử dụng các cấu trúc tr-MGr (cấu trúc đa thể tập mờ tam giác) của LFoC được đề xuất bởi Nguyễn Cát Hồ và cộng sự trong [62], ký hiệu là HA3
b) Thử nghiệm thứ hai nhằm so sánh độ chính xác của LRBS được sinh ra bởi
A với bốn thuật toán được phát triển dựa trên lý thuyết tập mờ bao gồm các thuật toán được ký hiệu là FSMOGFSe+TUNe [14], METSK-HDe [34],
MOKLB+MOMs, [10], và EIT2In-FRBS3 [9]
Thực nghiệm 2: Để đạt được Mục tiêu 2, thực nghiệm 2 nhằm mục đích chứng tỏ các tính năng khác biệt củaA đã đề cập ở trên, nhờ những tính năng này chúng ta mới có thể thiết kế các IS-LRBS nâng cao độ chính xác từ các IS-LRBS đã có, bằng cách tận dụng lại mặt Pareto tối ưu của lần thiết kế trước đó và cho phép các LFoC hiện tại tăng trưởng hoặc/và tăng trưởng số luật của LRB