[论文解读] Similarity measures of intuitionistic fuzzy soft sets and their decision making

Naim Çağman, İrfan Deli̇|arXiv (Cornell University)|Jan 3, 2013

Fuzzy and Soft Set Theory参考文献 21被引用 23

一句话总结

本文提出了四种用于直觉模糊软集（IFS-集）的距离度量及其相应的相似度度量，从而在不确定性环境下构建了医学诊断的决策框架。通过计算汉明距离并将其转换为相似度评分，该方法可判断疾病的可能性——通过比较患者症状与疾病特征的相似性，将患者分类为可能或不可能患有癌症。

ABSTRACT

In this article, we define some types of distances between two intuitionistic fuzzy soft (IFS) sets and proposed similarity measures of two IFS-sets. We then construct a decision method which is applied to a medical diagnosis problem that is based on similarity measures of IFS-sets. Finally we give two simple example to show the possibility of using this method for diagnosis of diseases which could be improved by incorporating clinical results and other competing diagnosis.

研究动机与目标

• 解决在不确定性环境下决策中对稳健相似度度量的需求，特别是在医学诊断中的应用。
• 通过整合直觉模糊集以同时建模隶属度和非隶属度，扩展现有的软集和模糊集理论。
• 为直觉模糊软集开发专门的距离与相似度度量，以提高在不确定环境下的诊断准确性。
• 构建一种可应用于现实世界问题（如疾病诊断）的实际决策方法。
• 通过两个医学诊断案例研究，以定量相似度评分证明该方法的可行性。

提出的方法

• 定义四种 IFS-集之间的距离：汉明距离、加权汉明距离、欧几里得距离和加权欧几里得距离。
• 提出一种基于汉明距离之和的倒数的相似度度量：$ S'_{IFS}(A,B) = \frac{1}{1 + d_{IFS}^s(A,B)} $。
• 将该相似度度量应用于比较表示疾病症状（如癌症）的 IFS-集与患者实际观察症状的 IFS-集。
• 使用 0.5 作为分类阈值：相似度评分 > 0.5 表示显著相似，提示可能存在疾病。
• 通过为症状和疾病结果分配隶属度与非隶属度度量，从临床数据中构建 IFS-集。
• 通过两个使用真实症状集和预定义疾病特征 IFS-集的案例研究验证该方法。

实验结果

研究问题

• RQ1 如何量化直觉模糊软集之间的相似度，以同时反映隶属度与非隶属度？
• RQ2 基于距离的相似度度量能否有效支持不确定性医学诊断场景中的决策？
• RQ3 不同距离度量（如汉明距离与欧几里得距离）对最终相似度评分及诊断结论有何影响？
• RQ4 所提出的方法如何应用于涉及模糊或不完整症状数据的真实世界医学诊断问题？
• RQ5 是否存在一个可靠的阈值，用于判断两个 IFS-集是否足够相似，从而推断出诊断？

主要发现

• 所提出的相似度度量 $ S'_{IFS}(A,B) = \frac{1}{1 + d_{IFS}^s(A,B)} $ 能够有效量化 IFS-集之间的匹配程度。
• 在例 5.1 中，相似度评分为约 0.48，低于 0.5 的阈值，因此得出患者不太可能患有癌症的结论。
• 在例 5.2 中，相似度评分为约 0.71，高于 0.5 的阈值，表明存在显著相似性，提示患者可能患有癌症。
• 该方法能根据症状特征有效区分患病与未患病患者，展示了其诊断潜力。
• 使用汉明距离可获得一致且可解释的结果，相似度评分可直接反映诊断可能性。
• 该方法具有可扩展性，可推广至其他不确定性决策领域，如社会系统、经济学和模式识别。