Classification using data mining algorithms and fuzzy logic on neutron star signal data

Η παρούσα μελέτη διερευνά την απόδοση τόσο κλασικών όσο και ασαφών αλγορίθμων ταξινόμησης στην πρόβλεψη της αυθεντικότητας σημάτων pulsar, χρησιμοποιώντας ένα ευρέως αποδεκτό σύνολο χαρακτηριστικών που έχει προταθεί ως πρότυπη αναφορά για τις μελλοντικές έρευνες ανίχνευσης. Εκπαιδεύτηκαν και αξιολογήθηκαν έξι μοντέλα μηχανικής μάθησης, συμπεριλαμβανομένων τεσσάρων κλασικών αλγορίθμων ταξινόμησης (Λογιστική Παλινδρόμηση, Random Forest, SVM και XGBoost), καθώς και δύο προσαρμοσμένων ταξινομητών ασαφούς λογικής (Fuzzy k-NN και Fuzzy Decision Tree). Τα ασαφή μοντέλα ενσωματώνουν μηχανισμούς ταξινομικής ασαφοποίησης και διαδικασίες εξαγωγής κανόνων για τη βελτίωση της ερμηνευσιμότητας. Τα αποτελέσματα έδειξαν ότι τα κλασικά μοντέλα επιτυγχάνουν υψηλή ακρίβεια και ανθεκτικότητα, με τα Random Forest και SVM να παρουσιάζουν ιδιαίτερα υψηλές αποδόσεις. Ωστόσο, οι ασαφείς προσεγγίσεις προσφέρουν σημαντικά πλεονεκτήματα στη διαφάνεια των αποφάσεων, που τις καθιστούν χρήσιμες σε πεδία όπου η ερμηνευσιμότητα είναι κρίσιμη. Η μελέτη επιβεβαιώνει επίσης την καταλληλότητα των επιλεγμένων χαρακτηριστικών για την αξιόπιστη ανίχνευση σημάτων pulsar και προτείνει κατευθύνσεις για μελλοντική έρευνα ώστε να αξιολογηθεί περαιτέρω η επάρκειά τους. Η έρευνα υλοποιήθηκε χρησιμοποιώντας τις κατάλληλες βιβλιοθήκες της γλώσσας προγραμματισμού Python.