如何从skfuzzy模糊逻辑模型输出值中获取对应类别？

要把skfuzzy计算出的去模糊化数值映射到对应的类别（reduction、optimal、increase），核心思路是获取该数值在每个输出模糊集中的隶属度，取隶属度最高的类别作为结果，具体实现步骤如下：

1. 确认输出模糊集的定义 #

先确保你已明确输出变量的模糊集定义，比如示例代码：

import skfuzzy as fuzz
import numpy as np

# 定义输出变量论域与三个模糊集
x_output = np.arange(0, 101, 1)
reduction = fuzz.trimf(x_output, [0, 0, 50])
optimal = fuzz.trimf(x_output, [30, 50, 70])
increase = fuzz.trimf(x_output, [50, 100, 100])

2. 计算输出值在各模糊集的隶属度 #

拿到去模糊化后的数值（如32.23415721908444），用fuzz.interp_membership计算它在每个模糊集中的隶属度：

output_value = 32.23415721908444

# 计算每个类别的隶属度
mem_reduction = fuzz.interp_membership(x_output, reduction, output_value)
mem_optimal = fuzz.interp_membership(x_output, optimal, output_value)
mem_increase = fuzz.interp_membership(x_output, increase, output_value)

3. 匹配隶属度最高的类别 #

将隶属度与类别一一对应，筛选出隶属度最高的类别：

# 构建隶属度-类别映射字典
membership_dict = {
    'reduction': mem_reduction,
    'optimal': mem_optimal,
    'increase': mem_increase
}

# 获取隶属度最高的类别
assigned_category = max(membership_dict, key=membership_dict.get)

4. 批量写入DataFrame #

定义批量处理函数，将类别列添加到DataFrame中：

import pandas as pd

# 示例DataFrame
df = pd.DataFrame({'output_value': [32.23415721908444, 65.123, 20.45]})

# 封装隶属度计算与类别匹配逻辑
def get_category(val):
    mem_r = fuzz.interp_membership(x_output, reduction, val)
    mem_o = fuzz.interp_membership(x_output, optimal, val)
    mem_i = fuzz.interp_membership(x_output, increase, val)
    return max({'reduction': mem_r, 'optimal': mem_o, 'increase': mem_i}, key=lambda k: locals()[f'mem_{k[0]}'])

# 新增类别列
df['category'] = df['output_value'].apply(get_category)

注意事项 #

• 若输出值在两个模糊集的隶属度接近或相等，可根据业务规则添加优先级判断（比如优先归为optimal类）。
• 确保计算隶属度时使用的模糊集定义与模型初始化时完全一致，避免隶属度计算错误。

内容的提问来源于stack exchange，提问作者Rafał