Построение рассуждений на основе опыта. Достоинства и недостатки его использования

⇐ ПредыдущаяСтр 8 из 12Следующая ⇒

В рассуждениях на основе опыта для решения новых проблем используется детальная база данных, содержащая известные решения задач. Эти решения могут быть собраны экспертами в области знаний или могут отображать результаты предыдущих успешных и неудачных попыток поиска решения. Например, медицинская диагностика основывается не только на теоретических моделях болезней, анатомии и физиологии, но и на изучении истории болезни и врачебного опыта, приобретенного при лечении других пациентов.

Программисты часто повторно используют старые программы для адаптации существующих структур к похожей новой ситуации. Архитекторы используют свои знания об эстетической привлекательности и полезности существующих сооружений для разработки новых здании, которые будут восприняты современниками как красивые и удобные. Историки используют исторические факты, чтобы помочь государственным деятелям, чиновникам и гражданам понять прошлые события и планировать будущее. Возможность рассуждать на основе опыта является краеугольным камнем человеческого интеллекта.

Рассуждения на основе опыта составляют важный компонент многих диагностических систем, включая системы диагностики спутникового оборудования и анализа неисправностей полупроводниковых компонентов.

Рассуждения на основе опыта обеспечивают ряд преимуществ для разработки ЭС. Процесс извлечения знаний может быть упрощен если механизм рассуждения будет использовать записанные решения экспертов по ряду проблем. Это позволяет освободить инженера по знаниям разрабатывать общие правила на основе примеров от экспертов.

Механизм рассуждения на основе опыта функционирует следующим образом.

1. Находит подходящие случаи в памяти. Случай является подходящим, если решение может быть успешно применено в новой ситуации. Поскольку механизмы рассуждения не могут знать этого наперед, для выбора случаев обычно используются эвристики. Как люди, так и искусственные механизмы рассуждения, определяют подобие на основе общих признаков: например, если у двух пациентов наблюдается ряд общих признаков, связанных с симптомами и историей болезни, то велика вероятность, что у них одно и то же заболевание, и им подходит один и тот же курс лечения. Для эффективного поиска случаев память должна быть организована соответствующим образом. Обычно ситуации индексируются по их существенным признакам, что обеспечивает эффективный поиск аналогичных случаев. Идентификация существенных признаков зависит от ситуации.

2.Приспосабливает найденную ситуацию к текущей. Обычно случай— это последовательность операций, преобразующих начальное состояние в целевое. Механизм рассуждения должен модифицировать некоторые операции в сохраненном решении с учетом специфики текущей проблемы. Здесь могут быть полезны такие аналитические методы, как подбор зависимости параметров, общих для сохраненных случаев и новой проблемы. Если аналитические связи между ситуациями отсутствуют, могут использоваться более эвристические методы - например, справочники.

3.Применяет преобразованное решение. Модификация известного случая не обязательно гарантирует удовлетворительное решение проблемы. Может потребоваться еще одна итерация выполнения первых трех шагов.

4.Сохраняет успешное или неудачное решение для дальнейшего использования.

Сохранение новых случаев требует адаптации индексной структуры. Существуют специальные методы поддержки индексов(специальные методы кластеризации, др. методы машинного обучения).

· предлагается множество возможных эвристик для организации, хранения и поиска ситуаций. К ним относятся следующие.

1. Упорядочение на основе целей. Случаи систематизируются, по крайней мере частично, на основе описания цели. Выполняется поиск случаев, цель которых соответствует текущей ситуации.

2.Упорядочение по существенным признакам. Выбираются случаи, для которых наиболее важные признаки (или большинство важных признаков) совпадают.

3.Предпочтение точных совпадений. Сначала рассматриваются все случаи точного совпадения признаков, а затем более общие соответствия.

4.Частотное предпочтете. Сначала проверяются наиболее типичные случаи.

5.Предпочтение новизны. Предпочтение отдается случаям, которые использовались последними.

6.Предпочтение легкости адаптации. Используются первые, наиболее легко адаптируемые к текущей ситуации, случаи.

Достоинства:

1. Рассуждение на основе опыта поднимают ряд важных теоретических вопросов, относящихся к человеческому обучению и рассуждениям. (Одним из наиболее острых и критических вопросов является определение степени подобия)

Недостатки:

1. мере роста базы данных время, необходимое для поиска и обработки информации, тоже растет.

Байесовские рассуждения

Байесовская сеть (или Байесовская сеть доверия) — это вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями.

Формально, байесовская сеть — это направленный ациклический граф, вершины которого представляют переменные, а ребра кодируют условные зависимости между переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей. Байесовские сети, которые моделируют последовательности переменных, называют динамическими байесовскими сетями. Байесовские сети, в которых могут присутствовать как дискретные переменные, так и непрерывные, называются гибридными байесовскими сетями.

Определения и принципы работы

Если ребро выходит из вершины A в вершину B, то A называют родителем B, а B называют потомком A. Множество вершин-предков вершины Xi обозначим как parents(Xi). Совместное распределение значений в вершинах можно удобно расписать как результат локальных распределений в каждом узле и его предках:

Если у вершины Xi нет предков, то его локальное распределение вероятностей называют безусловным, иначе условным. Если значение в узле получено в результате опыта, то вершину называют свидетелем.

Семантика зависимостей

Граф кодирует зависимости между переменными. Условная независимость представлена графическим свойством d-разделенности.

Два узла направленного графа x и y называются d-разделенными, если для всякого пути из x в y (здесь не учитывается направление ребер) существует такой промежуточный узел z (не совпадающий ни с x, ни с y), что либо связь в пути в этом узле последовательная или расходящаяся, и узел z получил означивание, либо связь сходящаяся, и ни узел z, ни какой-либо из его потомков означивания не получил. В противном случае узлы называются d-связанными.

Свидетельства — утверждения вида «событие в узле x произошло». Например: «Компьютер не загружается».

Пример:

Предположим, что может быть две причины, по которым трава может стать мокрой (GRASS WET): сработала дождевальная установка, либо прошел дождь. Также предположим, что дождь влияет на работу дождевальной машины (во время дождя установка не включается). Тогда ситуация может быть смоделирована проиллюстрированной Байесовской сетью. Все три переменные могут принимать два возможных значения: T (правда — true) и F (ложь — false).

Совместная вероятность функции:

P(G,S,R) = P(G | S,R)P(S | R)P(R)

где имена трех переменных означают G = Трава мокрая (Grass wet), S = Дождевальная установка (Sprinkler), и R = Дождь (Rain).

Модель может ответить на такие вопросы как «Какова вероятность того, что прошел дождь, если трава мокрая?» используя формулу условной вероятности и суммируя переменные:

Вывод

В силу того, что Байесовская сеть — это полная модель для переменных и их отношений, она может быть использована для того, чтобы давать ответы на вероятностные вопросы. Например, сеть можно использовать чтобы получить новое знание о состоянии подмножества переменных наблюдая за другими переменными (переменные — свидетельства). Это процесс вычисления апостериорного распределения переменных по переменным-свидетельствам называют вероятностным выводом. Это следствие дает нам универсальную оценку для приложений, где нужно выбрать значения подмножества переменных, которое минимизирует функцию потерь, например вероятность ошибочного решения. Байесовская сеть может также считаться механизмом для автоматического построения расширения Теоремы Байеса для более сложных задач.

Дата добавления: 2018-05-12; просмотров: 468; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 3 4 5 6 789 10 11 12 Следующая ⇒

Мы поможем в написании ваших работ!