Sztuczna inteligencja wykład.cz.5.3.pdf
(
2651 KB
)
Pobierz
Microsoft Word - Sztuczna inteligencja wykład.cz.5.3.doc
19
Przybliżona klasyfikacja obiektów
Załóżmy że ekspert ma wśród obiektów wydzielić zbiór
(np. osób chorych na określoną chorobę). Nie potrafi jednak
tego zrobić w sposób jednoznaczny, dzieli więc cały zbiór
obiektów na 3 podzbiory:
– na pewno chorych
– być może chorych
– na pewno nie chorych
Przybliżeniem dolnym osób chorych będzie ,
przybliżeniem dolnym osób nie chorych będzie .
Przybliżeniem dolnym takiego przybliżonego podziału
dwuwartościowego będzie
Zaś przybliżeniem górnym
Dokładność przybliżenia dolnego i górnego podziału może się
pogorszyć gdyż na przykład dla przybliżenia dolnego
20
Podobnie dla przybliżenia górnego. To pogorszenie wynika z
przybliżenia podziału spowodowane przez eksperta, który
wprowadził dodatkowy zbiór osób
X
2
co do których nie potrafił
się wypowiedzieć, czy są zdrowe, czy chore.
W dalszej części wykładu szukać będziemy odpowiedzi na
pytania:
Jakie jest znaczenie poszczególnych atrybutów w
systemie?
Które zbiory atrybutów mają największe znaczenie (i
stanowią tzw. rdzenie systemu)?
Czy w systemie wystepują atrybuty usuwalne?
Przedtem jednak wprowadźmy jeszcze jedno pojęcie.
Zależności między zbiorami atrybutów
Niech będą dowolnymi podzbiorami całego zbioru
atrybutów
A
.
Def.
Powiemy, że zbiór atrybutów zależy w stopniu
k
od zbioru
atrybutów , co zapiszemy
Gdy:
– występuje całkowita zależność funkcyjna,
– występuje całkowity brak zależności funkcyjnej,
natomiast jeśli
1
0
k
– mówimy o częściowej zależność
funkcyjnej między zbiorami atrybutów
P
i
B
.
21
Pojecie częściowej zależności między zbiorami atrybutów
zostało wprowadzone przez prof. Pawlaka i miało duże
znaczenie dla dalszego rozwoju teorii zbiorów przybliżonych.
Atrybuty nieusuwalne i rdzenie systemu
Atrybuty nieusuwalne to atrybuty, których usunięcie ma wpływ
na własność systemu informacyjnego.
Def.
Powiemy, że pojedynczy atrybut jest nieusuwalny z
P
,
jeśli jego usunięcie z
P
powoduje zmianę klas równoważności
generowanych przez
P
, tzn. , w przeciwnym
przypadku mówimy, że
p
jest zbędny w
P
.
Def.
Zbiór wszystkich atrybutów nieusuwalnych z
P
nazywamy
rdzeniem
P
. Rdzeń
P
oznaczamy jako
CORE(P)=
}
W przykładowym systemie informacyjnym
(1)
zbiór atrybutów
{c, d}
nie zawiera atrybutów nieusuwalnych, jego rdzeń jest
więc zbiorem pustym.
Natomiast w zbiorze atrybutów
{a,b,c}
atrybutem
nieusuwalnym jest
a
i on stanowi rdzeń tego zbioru. Atrybuty
b
i
c
są jako pojedyncze w tym zbiorze zbędne.
Reguły decyzyjne. Tabele decyzyjne
Podzielmy system informacyjny na dwa obszary. Pierwszy z
nich będzie zawierał
k
tak zwanych
atrybutów warunkowych
,
drugi -
l
atrybutów decyzyjnych
.
22
Nr
reguły
c
1
........
c
j
.........
c
k
d
1
........
d
j
.........
d
l
1
.......
.......
.......
.......
........ ....... ....... ....... ....... ....... ....... ....... ....... ....... .......
N
.......
.......
.......
.......
Obiektami będą tzw.
reguły decyzyjne
, które muszą być
spełnione, gdy zaistnieją odpowiednie warunki opisane przez
regułę, tzn.
IF(c
1
= and…and c
k
= ) THEN (d
1
= and…and d
l
= )
Tabele decyzyjne mogą być:
zapisem wiedzy eksperta (np. w postaci procedur
medycznych, które w zależności od wartości atrybutów
warunkowych, opisują poprzez wartości atrybutów
decyzyjnych, rodzaj i przebieg zabiegu operacyjnego),
zapisem zbioru obserwacji w realnych warunkach,
zapisem wartości wynikających z przyjętego modelu (np.
w systemach sterowania).
Def.
Powiemy, że reguła decyzyjna
f
x
w tabeli decyzyjnej
jest
deterministyczna
, gdy zachodzi:
gdzie
C
i
D
są odpowiednio zbiorem atrybutów warunkowych
(ang.
conditions)
oraz zbiorem atrybutów decyzyjnych (ang.
decisions
). W przeciwnym wypadku regułę nazywamy
niedeterministyczną.
Def.
Tabela decyzyjna
jest dobrze określona
, jeśli wszystkie jej
reguły decyzyjne są deterministyczne.
Atrybuty warunkowe Atrybuty decyzyjne
23
Własność:
Tabela decyzyjna jest dobrze określona wtedy i tylko wtedy,
gdy
D
Oczywiście nic nie stoi na przeszkodzie, aby używać (przy
pełnej świadomości tego faktu) tabeli decyzyjnej, dla której
współczynnik zależności funkcyjnej jest mniejszy od
1
. W
takiej sytuacji wartość współczynnika zależności funkcyjnej
określać będzie stopień pewności podjętych decyzji.
Zgodnie z wcześniej podaną własnością, dla tabeli dobrze
określonej będzie zachodzić
~
D
C
Podana niżej przykładowa tabela decyzyjna jest źle określona,
gdyż reguły
1, 2, 5, 8
są niedeterministyczne. Można je
zdekomponować na dwie tablice: pierwszą
zawierającą tylko
reguły
3, 4, 6 i 7
gdzie
C
D
oraz drugą - niedeterministyczną
gdzie
Zielone tło obejmuje reguły deterministyczne
.
Przykładowa tabela decyzyjna:
Nr reguły
decyzyjnej
c
1
c
2
c
4
d
1
d
2
1
2
3
4
5
6
7
8
Atrybuty warunkowe Atrybuty decyzyjne
1
0
2
1
1
2
2
0
0
1
0
0
0
2
1
1
2
1
0
0
2
0
1
1
2
1
1
2
0
1
1
0
0
2
1
2
1
1
2
1
1
, czyli zbiór atrybutów decyzyjnych jest w pełni
zależny funkcyjnie od zbioru atrybutów warunkowych.
C
Plik z chomika:
Metaloman
Inne pliki z tego folderu:
Algorytmy ewolucyjne.cz4.pdf
(478 KB)
Zbiory rozmyte.cz3.pdf
(251 KB)
Sztuczne sieci neuronowe.cz2.pdf
(437 KB)
Sztuczna inteligencja wykład.cz.5.3.pdf
(2651 KB)
Sztuczna inteligencja wykład.cz.5.2.pdf
(2137 KB)
Inne foldery tego chomika:
Egzamin
Laborki
Zgłoś jeśli
naruszono regulamin