- •Байесовские сети доверия (BayesianBeliefNetworks, 1998,Pearl)
- •Другой вариант подсчёта
- •Метод субъективных коэффициентов уверенности
- •Методы обработки неопределённостей в guru
- •Использование нечёткой переменной.
- •Поиск решений в условиях неопределенности с использованием Дерева Решений (др) Конъюнктивная вершина
- •Теория свидетельств Демпстера-Шефера
- •Посылки теории свидетельств
- •Правило объединения свидетельств.
- •Вероятностная логика
- •Оперирование с неопределённостью лингвистического характера
- •Операция контрастной интенсификации
- •Элементы сос тепенями принадлежности 0.5 не затрагиваются, всё, что меньше – сдвигается к левому краю, всё, что больше – к правому.
- •Операция увеличения нечёткости
- •Операции на шкалах
Использование нечёткой переменной.
Нечёткая переменная может одновременно принимать несколько значений.
E.IFUZ = <n>
Пример
= (200 cf 90, 100 cf 30)
= (150cf 80, 50 cf 20)
P1 =( >цена = ‘↓’)
P2 = <цена = ‘↑’)
P3 = =цена = '=’)
Что ожидать от таких данных, если прогнозируются и
Классической логикой нечётких переменных является логика Заде.
cf (>) = max{min(0,9; 0,8), min(0,9; 0,2), min(0,3; 0,2)} = 80
cf (<) = min{80; 30} = 30
Цена = {‘↑’cf 30, ‘падает’ cf 80, 'не изменяется’ cf 0}
Одна переменная может принять ряд значений с соответствующими степенями принадлежности.
Пример
Построение прогнозирующей системы для банка. Характеристики клиента:
Возраст
Семейное положение
Профессиональный статус
Вклад – нечёткая переменная.
Правила:
P1 = (возраст < 20вклад= (‘образование’cf 40, ‘жильё’ cf 10, ‘сбережения’ cf 5))
P2 = (возраст ≥ 20 & возраст < 30вклад= (‘образование’cf 20, ‘жильё’ cf 20, ‘сбережения’ cf 10))
P3 = (семейное положение = ‘одинокий’вклад= (‘образование’cf 30, ‘жильё’ cf 10, ‘сбережения’ cf 20))
P4= (семейное положение = ‘семейный’вклад= (‘образование’cf 10, ‘жильё’ cf 40, ‘сбережения’ cf 20))
P5 = (профессия= ‘рабочий’вклад= (‘образование’cf 20) ; вклад= (‘образование’cf 60))
Дано:
(Возраст < 20; семейное положение = ‘семейный’; профессиональный статус = ‘рабочий’)
Последовательность действий GURU при выборе логики PP:
|
P1
|
P5 |
Σ |
P5
|
|
Образование |
40 |
10 |
46 |
-60 |
18 |
Жильё |
10 |
40 |
46 |
|
46 |
Сбережения |
5 |
20 |
24 |
20 |
39 |
Σ =( a + b – a*b)/100% a + b – a*b/100%
Ответ:
Вклад = (‘образование’ cf 18, ‘жильё’ cf 46, ‘сбережения’ cf 39) -в сумме 100%
Нормировка к 100%:
Вклад = (‘образование’ 17,6% , ‘жильё’ 44,6%, ‘сбережения’ 37,8%)
ММ: Вклад = (‘образование’ cf (40-60) , ‘жильё’ 40, ‘сбережения’ cf 20)
Лекция №8 (1.11.11)
Поиск решений в условиях неопределенности с использованием Дерева Решений (др) Конъюнктивная вершина
Если , можно констатироватьRс вероятностьюk.
R
…
а) Логика maxmin.
K(R)=min {k(Ci), k(Cj)}* k
Если длинная конъюнкция, то
K(R)=min{k(Ci), …, …, …,k(Cj)}*k
b) Вероятностная логика.
K(R)=k(Ci)*k(Cj)*k
Дизъюнктивная вершина
R
… …
k(k(
а) Логика maxmin.
K(R)=max{ *, *, …}
b) Вероятностная логика.
Упорядочиваем свидетельства по важности и включаем дополнительное:
K(R)=
K(R)=
Пример
{Pi} – набор правил,
{Fj} – наблюдаемые факторы,
{Сi} – множество промежуточных заключений,
R– целевое заключение.
P1 = (F1 C1 ; 0.8)
P2 = (F2 C1 ; 0.7)
P3 = (F3 C2 ;1)
P4 = (F4 & F5 C3 ; 0.9)
P5 = (F6 C6 ;1)
P6 = (F7 C6 ; 0.7)
P7 = (F8 & F9 C4 ; 0.4)
P8 = (C1 & C2 & C3 C5 ; 0.9)
P9 = (C4 C6 ; 0.8)
P10 = (C5 & C6 R ; 1)
Если дерево оборвалось на промежуточном заключении и нет правила, позволяющего его связать, то база не полна.
R
P10 ; 1
C6 C6
P8 ; 0.8 P5 ; 1 P6 ; 0.7 P9 ; 0.8
C1 C2 C3 F6 F7 C4
P1 ; 0.8 P2 ; 0.7 P3 ;1 P4 ; 0.9 P7 ; 0.4
F1 F2 F3 F4 F5 F8 F9
В дереве проиллюстрировано, что есть связь между наблюдаемыми вершинами и целевым заключением.
, i =
k()
- коэффициент уверенности наблюдаемого фактора
k(), k() Є [0,1]
Sн = (0,9; 0; 1; 0,8; 0,9; 0,1; 0,8; 0,7; 0,5)
F1 F2 F3 F4 F5 F6 F7 F8 F9
а) maxmin
k(C1) = max{(0.9*0.8); (0.7*0)} = 0.72
k(C2) = 1
k(C3) = min{0.8; 0.9)*0.9 = 0.72
k(C4) = min{0.7; 0.5)*0,4 = 0.2
k(C5) = min{0.72; 1; 0.72)*0.9= 0.65
k(C6) =max{(0.7*0.8); (0,8*0.2)} =0.56
k(R) =min{0.65; 0.56)*= 0.56 (56%)
б) вероятностная логика
k(C1) = 0.8*0.9 = 0.72
k(C2) = 1
k(C3) = 0.9*0.8*0.9 = 0.65
k(C4) = 0.5*0.7*0.4 = 0.14
k(C5) = 0.72*1*0.65*0.9 = 0.42
k(C6) = 0.8*0.7 + 0.14*0.8 – 0.56*0.12 =0.57
k(R) = 0,42*0.57*1 = 0.24 (24%)
Пусть теперь нашли ещё одного эксперта, который считает по своим правилам:
Тогда:
а) k(R) = 0.6
k(R) =max{0.56*0.6} = 0.6
а’)k(R) = 0.5
k(R) =max{0.56*0.5} = 0.56
б) k(R) = 0.6
k(R) = 0.24 + 0.6 – 0.24*0.6 = 0.7
б’) k(R) = 0.5
k(R) = 0.7 + 0.5 – 0.7*0.5 = 0.85
В случае maxminпривлечение дополнительных правил ничего не изменило, а в случае вероятностной логики – существенно повлияло. Значит, надо тщательнее выбирать логику.