Самообучающиеся системы

В основе представленных систем лежат методы автоматической классификации. При классификации используется обучающая выборка: с учителем, когда для каждого примера в явном виде задается значение признака его принадлежности к некоторому классу; без учителя – система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяется принадлежность ситуации к конкретному классу. Таким образом, формируется база знаний. Далее система корректируется по мере накопления опыта.

Общие недостатки:

1) возможна неполнота или зашумленность обучаемой выборки и как следствие относительная адекватность базы знаний к возникающим проблемам;

2) проблемы с плохой смысловой ясностью, зависимостью признаков, неспособностью объяснения;

3) ограничение в размерности признаков пространства.

Индуктивные системы

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств, относящихся к одним и тем же подклассам и определению для них значимых признаков. Процесс классификации осуществляется следующим образом:

1) выбирается признак классификации;

2) по значению выбранного признака множество разбивается на подмножества;

3) выполняется проверка (принадлежит ли подмножество одному классу);

4) осуществляется проверка;

5) для подмножества примеров с несовпадением классообразующего признака процесс классификации продолжается с пункта 1.

Процесс классификации можно представить с помощью дерева решений табл. 2.

Анализ новой ситуации сводится к выбору ветви действия, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации, каждая ветвь дерева соответствует одному правилу решения.

Таблица 2

Признаки классификации

Лекция № 3 ИИС