1.5. Классификация алгоритмов качественного обобщения по признакам

1.5.1.Способы представления исходной информации в интеллектуальных системах

Процесс выделения существенных для конкретной задачи обстоятельств можно представить как разбиение входных ситуаций на классы, обладающие таким свойством, что все ситуации из одного класса требуют одних и тех же действий. Для того, чтобы эффективно оценить, относятся ли различные ситуации к одному классу, или, по-другому, к понятию, интеллектуальная система должна иметь возможность рассмотреть и оценить ряд конкретных примеров таких ситуаций, включенных в обучающее множество.

Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в интеллектуальных системах. На основе предъявленных примеров интеллектуальная система должна сформировать общее понятие(правило), которое охватывает некоторый набор примеров и исключает контрпримеры.

Продукционные правила очень удобны в использовании, так как они во-первых, позволяют представить знания на естественном языке, понятном эксперту и легким для восприятия, а во-вторых, удобны при редактировании (добавление, изменение и удаление отдельных продукций никак не влияет на остальные).

Для системы машинного обучения принципиально важным является вопрос, что поступает на вход системы, в каком виде предъявляются примеры, включенные в состав обучающего множества. Любой элемент обучающей выборки, который может быть представлен в системе, полностью определяется набором свойств, или признаков. Такое задание объекта исследования называется признаковым описанием объекта.

Традиционно объекты, рассматриваемые в рамках интеллектуальной системы, задаются в виде набора признаков. Описания различных объектов отличаются значениями признаков. Под обобщением обычно понимается переход от рассмотрения единичного объекта о или некоторой совокупности объектов О к рассмотрению обобщенного понятия D, которое

а) отображает характерные для этого множества логические отношения между значениями признаков;

б) является достаточным для разделения объектов, принадлежащих множеству, и объектов, ему не принадлежащих, с помощью некоторого правила распознавания.

Для описания объекта будем использовать признаки A₁, A₂, … , A_n. Каждый объект o O характеризуется набором конкретных значений этих признаков (атрибутов) o = {a₁, a₂, … , a_n}, где a_i – значение i-го признака.

Рассмотрим отдельные виды признаков. Значения, которые могут принимать признаки объекта, относятся к трем основным типам: количественные, или числовые, качественные и шкалированные. То, какие значения принимают признаки, может оказать большое влияние на процесс обобщения.

В случае числовых признаков на множестве значений признаков может быть введена метрика, позволяющая дать количественную оценку значения признака. Это значит, что различные значения признаков можно сравнивать между собой в количественном плане. Часто такие значения являются результатом измерения физических величин, таких, как длина, вес, температура и др.

В случае, если признаки могут иметь качественный характер, но при этом их значения можно упорядочить друг относительно друга, говорят, что такие значения образуют ранговую или порядковую шкалу. Примерами таких шкал порядка могут быть ряды типа {большой, средний, маленький} или {горячий, теплый, холодный}. С помощью таких шкал порядка можно судить, какой из двух объектов является наилучшим, но нельзя оценить, сколь близки или далеки эти объекты по некоторому критерию.

Третий случай заключается в том, что значения признаков имеют чисто качественный характер, связать эти значения между собой не удается. Примерами таких значений могут быть цвет = {красный, желтый, зеленый} или материал = {стекло, дерево, пластмасса, железо}.