Тема 4 Самообучающиеся системы: индуктивные системы, нейронные сети, системы, основанные на прецедентах, информационные хранилища

Самообучающиеся системы.

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучение на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку.

Обучающая выборка может быть:

· «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций,

· «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Т.о., автоматически формируется БЗ, используемая при решении задач классификации и прогнозирования. Эта БЗ периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

Общие недостатки, свойственные всем самообучающимся системам:

· возможна неполнота и, или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность БЗ возникающим проблемам,

· возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов,

· ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

Индуктивные системы.

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же, и определению для них значимых признаков.

Процесс классификации примеров осуществляется следующем:

1. выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например, в соответствии с максимальным числом получаемых подмножеств примеров),

2. по значению выбранного признака множество примеров разбивается на подмножества,

3. выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу,

4. если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются),

5. для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1.