5.1.4. Индуктивное и абдуктивное обучение

Все методы ИАД делятся на две большие группы по принципу работы с обучающей выборкой. В первом случае исходные данные хранятся в явном детализированном виде и непосредственно используются для прогностического моделирования и/или анализа исключений. Это так называемые методы на основе анализа прецедентов (абдуктивное обучение). Во втором случае информация вначале извлекается из первичных данных и преобразуется в некоторые формальные конструкции – индуктивное обучение (деревья решений, правила продукции и т.п.). Этот этап выполняется на стадии свободного поиска, которая у первой группы в принципе отсутствует.

Индуктивные системы. В основе индуктивных систем лежат методы автоматической классификации примеров ситуаций реальной практики. Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации.

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

Индуктивное обучение заключается в том, чтобы получить применимые правила из изучения прошлых специфических примеров. В основу индуктивного обучения положены принципы индуктивных умозаключений. Индуктивным называется умозаключение, в котором на основании принадлежности признака отдельным предметам или частям некоторого класса делают вывод о его принадлежности классу в целом. В случае неполной индукции — на основе принадлежности признака некоторым элементам или частям класса— делают вывод о его принадлежности классу в целом.

Таким образом, индуктивный вывод – это построение объясняющего правила на основе заданных данных, включает процедуры анализа обучающей выборки, формирование гипотез (правил), проверку результатов обучения.

Будем рассматривать результат индуктивного обучения как множество правил продукции. Ситуацию обучения будем описывать следующим образом: из одного или более примеров, в которых действие явилось адекватной реакцией на ситуацию делаем вывод, что действие общего вида является адекватным видом реакции на обобщенную ситуацию. В общем случае определение понятия применимо к некоторому множеству ситуаций, которое называется положительными примерами и не применимо к другому множеству, которое называется негативными примерами.

Системы на прецедентах. Обучение может основываться также на аналогии. Умозаключение по аналогии — это вывод о принадлежности определенного признака единичному объекту (предмету, событию, отношению или признаку) на основе его сходства в существенных чертах с другим уже известным единичным объектом.

Умозаключению по аналогии всегда предшествует операция сравнения двух объектов, которая позволяет установить сходство и различие между ними. При этом для аналогии требуется сходство в существенных признаках и различие в несущественных.

Умозаключения такого типа реализованы в системах, основанных на прецедентах (CBR-системы). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Так же, как и для индуктивных систем, прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска.

Но в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Далее наиболее подходящие решения адаптируются по специальным алгоритмам к реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

Алгоритмы для таких задач основаны обычно на сравнении прецедентов с новым случаем (в какой-либо метрике), с использованием зависимостей между атрибутами случаев и атрибутами решения. Такие зависимости могут задаваться человеком при построении базы случаев, или обнаруживаться в базе случаев автоматически.

При поиске решения для целевой проблемы выполняется адаптация уже имеющегося в базе прецедентов решения. Для этой адаптации и используются означенные зависимости. Существуют гипотезы, что сходство проблем налагает ограничения на сходство соответствующих гипотез в форме слабой связи между ними. Это обстоятельство и используется для ограничения области поиска решений.

Системы СВR показывают неплохие результаты в самых разнообразных задачах. Главным их минусом считается то, что они не создают вообще никаких моделей, обобщающих предыдущий опыт, - в выборе решения они основываются на всем массиве доступных исторических данных, поэтому трудно выделить факторы, обуславливающие принятие решений. Также существуют проблемы с выбором меры «близости».