3.8.Получение набора аргументированных продукционных правил

До начала этапа обучения системы пользователю необходимо задать значения STARSIZE, HEAPSIZE, а также сколько наборов продукционных правил необходимо сформировать. По умолчанию заданы следующие значения: STARSIZE=3, HEAPSIZE=3, Количество формируемых наборов =2

Условие STARSIZE влияет на мощность множества STAR, а условие HEAPSIZE максимальная глубина правила.

В результате обучения в нижней части программы в окне «Журнал» будет выведена информация об описании атрибутов, их допустимые значения, выведены сформированные наборы продукционных правил, а также общая сводка всех правил, построенных в ходе работы алгоритма.(Рис.3.9)

Рис.3.9 Окно вывода журнала.

После проведения обучения будет сформирован ряд аргументированных продукционных правил, которые можно использовать для классификации экзаменационной(выборка, примеры которой не встречались раннее) выборки, вкладка «Экзамен» становится доступна для перехода.

3.9.Вкладка «Экзамен»

На данном этапе необходимо загрузить или ввести вручную необходимую для дальнейшей классификации экзаменационную выборку(Рис.3.10).

Рис.3.10 Результат работы классификации.

После проведения классификации результат будет занесен в отчет для дальнейшего вычисления процента достоверности алгоритма. Для удобства реализован механизм раскрашивания столбца «Экзамен», что позволяет довольно быстро оценить результат выполнения классификации. Также в столбце «Причина» для эксперта выводится информация, почему пример отнесен к тому или иному классу.

2. 3.10. Выводы

В данной главе был дан обзор программной реализации алгоритма CN2, а также ABCN2. Описаны требования к системе, основные возможности и принцип работы. Программа обладает удобным, интуитивно понятным интерфейсом, позволяет быстро загружать необходимые наборы входных данных, выводить в понятной для эксперта форме набор аргументированных решающих правил.

В следующей главе будет произведено тестирование работы реализованных алгоритмов на наборах из тестовых баз данных из хранилища UCI Machine Learning Repository[12].

Глава 4. Тестирование работы алгоритма и исследование полученных результатов

4.1. Исследование правильности построения продукционных правил

Возьмем небольшую обучающую выборку (табл. 4.1), рассмотренную Р.Куинланом в работе [4].

Таблица 4.1 Обучающая выборка

№	Outlook (Погода)	Temperature (Температура)	Humidity (Влажность)	Wind (Ветер)	Play ball? (Играть в мяч?)
1	sunny	hot	high	weak	No
2	sunny	hot	high	strong	No
3	overcast	hot	high	weak	Yes
4	rain	mild	high	weak	Yes
5	rain	cool	normal	weak	Yes
6	rain	cool	normal	strong	No
7	overcast	cool	normal	strong	Yes
8	sunny	mild	high	weak	No
9	sunny	cool	normal	weak	Yes
10	rain	mild	normal	weak	Yes
11	sunny	mild	normal	strong	Yes
12	overcast	mild	high	strong	Yes
13	overcast	hot	normal	weak	Yes
14	rain	mild	high	strong	No

В данной обучающей выборке объекты характеризуются значениями 5 признаков – Outlook, Temperature, Humidity, Wind, Play ball. Последний атрибут является целевым, он определяет два возможных класса (yes,no). Для начала построим набор продукционных правил с помощью алгоритма CN2 и сравним полученный результат с деревом из работы Р. Куинлана. Так как дерево может быть представлено в виде набора продукционных правил, мы сможем оценить эффективность разработанного алгоритма CN2.

Однозначного сходства полученных в результате обучения продукционных правил с правилами из алгоритма ID3 добиться не получилось, в силу того, что в алгоритме CN2 выбор очередного примера SEED, а также , имеет «случайный» характер, что значительно влияет на полученные продукционные правила.

На рисунке 4.1 представлены продукционные правила, полученные с помощью алгоритма CN2 и дерево решений из статьи Р. Куинлана.

а)

3. б)

Рис. 4.1 Полученные продукционные правила (а – программная реализация, б – из статьи Р.Куинлана)

Так как на рисунке 4.1 изображены две разные модели представления правил, для удобства преобразуем дерево решений в набор продукционных правил:

1. Если Outlook= Sunny & Humidity = High, то Play Ball = false

2. Если Outlook= Sunny & Humidity = Normal, то Play Ball = true

3. Если Outlook= Overcast, то Play Ball = true

4. Если Outlook= Rain & Wind = Strong, то Play Ball = false

5. Если Outlook= Rain & Wind = Weak, то Play Ball = false

Преобразованные правила из дерева решений ID3 имеют сходство с правилами, полученными с помощью алгоритма CN2, что говорит о корректной работе реализованного алгоритма.