Корпоративные информационные системы. Борисов Д.Н. - 41 стр.

представление знаний широко применяется для решения задач
классификации и прогнозирования, например, в системе XpertRule Miner
(Attar Software Ltd., Великобритания), а также в AIS, NeuFuz и др;
     • индуктивные выводы позволяют получить обобщения фактов,
хранящихся в БД. В процессе индуктивного обучения может участвовать
специалист, поставляющий гипотезы. Такой способ называют обучением с
учителем. Поиск правил обобщения может осуществляться без учителя
путем автоматической генерации гипотез. В современных программных
средствах, как правило, сочетаются оба способа, а для проверки гипотез
используются статистические методы. Примером системы с применением
индуктивных выводов является XpertRule Miner, разработанная фирмой
Attar Software Ltd. (Великобритания);
     • рассуждения на основе аналогичных случаев (метод «ближайшего
соседа») (Case-based reasoning – CBR) основаны на поиске в БД ситуаций,
описания которых сходны по ряду признаков с заданной ситуацией.
Принцип аналогии позволяет предполагать, что результаты похожих
ситуаций также будут близки между собой. Недостаток этого подхода
заключается в том, что здесь не создается каких-либо моделей или правил,
обобщающих предыдущий опыт. Кроме того, надежность выводимых
результатов зависит от полноты описания ситуаций, как и в процессах
индуктивного вывода. Примерами систем, использующих CBR, являются:
KATE Tools (Acknosoft, Франция), Pattern Recognition Workbench (Unica,
США);
     • деревья решений – метод структурирования задачи в виде
древовидного графа, вершины которого соответствуют продукционным
правилам, позволяющим классифицировать данные или осуществлять
анализ последствий решений. Этот метод дает наглядное представление о
системе классифицирующих правил, если их не очень много. Простые
задачи решаются с помощью этого метода гораздо быстрее, чем с
использованием нейронных сетей. Для сложных проблем и для некоторых
типов данных деревья решений могут оказаться неприемлемыми. Кроме
того, для этого метода характерна проблема значимости. Одним из
последствий иерархической кластеризации данных является отсутствие
большого числа обучающих примеров для многих частных случаев, в связи
с чем классификацию нельзя считать надежной. Методы деревьев решений
реализованы во многих программных средствах, а именно: С5.0
(RuleQuest, Австралия), Clementine (Integral Solutions, Великобритания),
SIPINA (University of Lyon, Франция), IDIS (Information Discovery, США);
     • эволюционное программирование – поиск и генерация алгоритма,
выражающего взаимозависимость данных, на основании изначально
заданного алгоритма, модифицируемого в процессе поиска; иногда поиск
взаимозависимостей осуществляется среди каких-либо определенных
видов функций (например, полиномов);
                                  41