Другие методы мгуа
Существует большое количество методов (алгоритмов) МГУА. Помимо вышерассмотренных, к наиболее значимым из них относятся следующие:
метод объективной компьютерной кластеризации;
метод нейронных сетей с активными нейронами;
самоорганизованное построение нечетких правил.
Метод объективной компьютерной кластеризации
Этот алгоритм оперирует с парами близко расположенных точек. Он находит оптимальную физическую кластеризацию, удовлетворяющую принципу минимума некоторого критерия на всем множестве подвыборок данных. С прикладной точки зрения его отличие от статистических методов кластеризации заключается в том, что при использовании традиционных статистических методов число кластеров задается исследователем и в общем случае не соответствует тому числу групп, на которые можно разделить выборку при заданной точности разбиения. В отличие от статистических методов метод объективной компьютерной кластеризации позволяет разбить наши данные на кластеры (группы) единственно возможным образом при заданном внешнем критерии и разбросе исходных данных.
Нейронные сети с активными элементами.
Основной особенностью этого метода является то, что взаимодействие между алгоритмами МГУА организуется по тем же принципам, что и в нейросетях. Однако, в отличие от сравнительно простых нейронов, используемых в нейросетях, в данном случае в качестве объектов, аналогичным нейронам, используются намного более сложные объекты – многорядные алгоритмы МГУА. В данном случае алгоритмы МГУА можно рассматривать как пример активных нейронов потому, что они самостоятельно выбирают наиболее значимые входные переменные и коэффициенты для них в процессе самоорганизации (построения модели).
Каждый нейрон в нейросети представляет собой элементарную систему, которая решает ту же самую задачу, что остальные нейроны. Объединение же неронов в сеть позволяет существенно повысить точность модели.
Самоорганизованное построение нечетких правил
Этот метод является модификацией многослойного итеративного МГУА. Однако в качестве элементарных классификаторов (простейших функций) используются не обычные, а нечеткие переменные (фаззи-логика). Такой подход позволяет использовать метод МГУА для качественных, описательных, или неточных исходных данных.
ЛЕКЦИЯ 17. Анализ данных с использованием логических правил
Вопросы:
1. Основные принципы использования продукционных моделей
Точность и полнота логических правил
Методы обнаружения логических закономерностей
Основные принципы использования продукционных моделей
Из всех возможных классов моделей логические и продукционные модели являются наиболее традиционными, простыми и легко формализуемыми. Именно по этим причинам они получили широкое распространение на первых этапах развития искусственных интеллектуальных систем. Наибольшее распространение получили два типа моделей этого класса:
деревья решений;
алгоритмы ограниченного перебора.
Д
еревья
решений (decision trees)
основаны на системе правил типа «ЕСЛИ
– ТО» (if – then),
имеющую вид дерева. Для принятия решения,
к какому классу отнести некоторый объект
или ситуацию, требуется ответить на
вопросы, стоящие в узлах этого дерева,
начиная с его корня и выбрать путь,
удовлетворяющий поставленным условиям.
(if-then)
Рис.1. Наглядная схема принятия решения с помощью системы продукционных правил (движение слева направо).
Достоинством данного метода является его наглядность, понятность и возможность использования разнообразных данных, выраженных в форме «если - то». Недостатком является то, что отдельные правила при таком подходе являются независимыми друг от друга, что в действительности бывает крайне редко. В результате находимые с помощью этого метода решения далеко не всегда являются наилучшими.
Тем не менее, метод получил широкое распространение для получения компьютерного решения в экспертных системах (которые в большинстве своем основаны на системе продукций или правил). Известны и самостоятельные пакеты, использующие указанный метод (See5, Clementine, SIRINA и др.).
Алгоритмы ограниченного перебора используются для поиска логических закономерностей в данных. Эти алгоритмы вычисляют частоты комбинаций простых логических событий в подгруппах данных. Примеры простых логических событий: X=a, X<a, a<X<b и др., где Х – какой-либо параметр, а и b – константы. Вычисляется встречаемость не просто отдельных событий, а цепочек различных последовательностей событий. Те цепочки событий, которые встречаются наиболее часто, и есть искомые закономерности.
Вследствие быстрого (комбинаторного) роста числа возможных вариантов с увеличением длины цепочки, длина цепочек правил невелика (5-10 простых логических событий).
Системы такого класса, несмотря на свою простоту, показывают наилучшие результаты при поиске закономерностей в данных и получили широкое распространение на рынке систем Data Mining. Наиболее известным программным продуктом этого класса является система WizWhy фирмы WizSoft.