5.3 RozhodovacÃ pravidla - Sorry

More documents

Recommendations

Info

anynestanovenastanovenaimunníneimunníneinfikováninfikovánObr. 20 Hierarchie cíle “diagnoza”Algoritmus tvorby pravidel1. pro každou nelistovou hodnotu v cílového atributu C1.1. zařaď do trénovací množiny D TRv ty příklady, které mají jako hodnotucílového atributu speciálnější hodnotu, než v1.2. v množině D TRv nahraď původní hodnoty cílového atributu v k hodnotouv x takovou, že v x je speciálnější než v ale obecnější než c k (pokud v k jebezprostřední následovník hodnoty v, ponech v k nezměněno)1.3. aplikuj algoritmus ESOD na trénovací data D TRv1.4. přiřaď nalezená <strong>pravidla</strong> R v k uzlu v hierarchieObr. 21 Použití algoritmu ESOD pro hierarchii třídTouto zmínkou o práci s hierarchiemi hodnot zakončíme celou kapitolu věnovanou rozhodovacímpravidlům.Literatrura:[Berka, 1993] Berka,P.: Vybrané znalostní systémy, SAK, SAZE, KEX. Skripta VŠE, Praha 1993.[Berka, 1993b] Berka, P.: Knowledge EXplorer. A tool for automated knowledge acquisition from data. Tech.Report, Austrian Research Institute for AI, Vienna, TR-93-03, 1993, 23s.[Berka, 1993c] Berka,P.: Discretization of numerical attributes for Knowledge EXplorer. Výzkumná zpráva,Praha, LISP-93-03, 1993, 11s.[Berka, 1993d] Berka,P.: A comparison of three different methods for acquiring knowledge about virologicalhepatitis tests. Tech. Report, Austrian Research Institute for AI, Vienna, TR-93-10, 1993, 29s.24
[Berka, 1997] Berka,P.: Towards knowledge integration via knowledge revision: The Knowledge Explorerapproach. In: (Nakhaeizadeh, Bruha, Taylor eds.) Proc. ECML'97 Workshop Dynamically ChangingDomains: Theory Revision and Context Dependence Issues. Prague, 1997, 1-8.[Berka, Bruha, 1998] Berka,P. - Bruha,I.: Empirical comparison of various discretization procedures. Int. J.of Pattern Recognition and Artificial Intelligence Vol. 12 No. 7 (1998) 1017-1032.[Berka, Ivánek, 1994] Berka,P. - Ivánek,J.: Automated knowledge acquisition for PROSPECTOR-like expertsystems. In. (Bergadano, de Raedt eds.) Proc. ECML'94, Springer 1994, 339-342.[Brazdil, Torgo, 1990] Brazdil,P. – Torgo,L.: Knowledge acquisition via knowledge integration. In: CurrentTredns in Knowledge Acquisition, IOS Press, 1990.[Bruha, 1996] Bruha,I.: Rule-induction in machine learning: Some latest enhancements and trends. In: Proc.Artificial Intelligence Techniques AIT’96, Brno, 1996.[Bruha, Berka, 1997] Bruha,I. – Berka,P.: Knowledge acquisition of rules with continuous classes: Empiricalcomparison of two methods. In: (Kaylan, Lehman eds.) Proc. European Simulation MulticonferenceESM'97, SCS, 1997, Vol.2, 42-46.[Bruha, Kočková, 1994] Bruha,I. – Kočková,S.: A support for decision making: Cost-sensitive learning system.Artificial Intelligence in Medicine, 6 (1994), 67-82.[Clark, Niblett, 1989] Clark,P. - Niblett,T.: The CN2 induction algorithm. Machine Learning, 3 (1989), 261-283.[Duda, Gasching, 1979] Duda,R.O. - Gasching,J.E.: Model design in the Prospector consultant system formineral exploration. in: Michie,D. (ed.), Expert Systems in the Micro Electronic Age, Edinburgh UniversityPress, UK, 1979.[Goodman, Smyth, 1989] Goodman,R.: Smyth,P. The induction of probabilistic rule sets – the ITRule algorithm.In: Proc. Int. Wshop on Machine Learning, Morgan Kaufman, 1989.[Hájek, 1985] Hájek,P.: Combining functions for certainty factors in consulting systems. Int.J. Man-MachineStudies 22,1985, 59-76.[Ivánek, Stejskal, 1988] Ivánek,J. - Stejskal,B.: Automatic acquisition of knowledge base from data withoutexpert: ESOD (Expert System from Observational Data). In: Proc. COMPSTAT'88 Copenhagen,Physica-Verlag, 1988, 175-180.[Lavrac, 2000] Lavrac,N.: Decision Rules. Slajdy, http://www.cs.bris.ac.uk/Teaching/Resources/COMS70300/slides/RulesHTML/, 2000.[Michalski, 1969] Michalski,R.S.: On the Quasi-minimal solution of the general covering problem. In: Proc. 5 thInt. Symposium on Information Processing FCIP’69, Bled, Yugoslavia, 1969, 125-128.[Mitchell, 1997] Mitchell,T.: Machine learning. McGraw-Hill. 1997. ISBN 0-07-042807-7[Svátek, 1996] Svátek,V.: Learning with value hierarchies in the ESOD framework. In: Proc. ArtificialIntelligence Techniques AIT’96, Brno, 1996.[Torgo,1995] Torgo,L.: Data fitting with rule-based regresion. In: Proc. Artificial Intelligence TechniquesAIT’96, Brno, 1996.[Widmer, Kubat, 1992] Widmer,G. – Kubat,M.: Learning flexible concepts from streams of examples:FLORA2. In: (Neumann ed.) Proc. 10 th European Conf. on Artificial Intelligence ECAI’92, John Wiley, 1992.[Widmer, 1994] Widmer,G.: Combining robustness and flexibility in learning drifting concepts. In: (Cohn ed.)Proc: 11 th European Conf. on Artificial Intelligence ECAI’94, John Wiley, 1994.25
Page 4 and 5: Pravidla nalezená algoritmem tedy
Page 6 and 7: a negativní příklady tvoří př
Page 9 and 10: 5.3.4 Algoritmus ESODÚlohy kombina
Page 11 and 12: T=∑t=1n t (Ant) × n t (Ant)n(Ant
Page 13 and 14: platnosti tak, aby při práci s pr
Page 15 and 16: Při klasifikaci nového příkladu
Page 17 and 18: 51, 51, 99, 99). Průběh funkce F
Page 19 and 20: 5.3.8 Koncepty proměnlivé v čase
Page 21 and 22: Uvedený algoritmus byl schopen dob
Page 23: 39V případě hierarchie “na vst

5.3 RozhodovacÃ­ pravidla - Sorry

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

5.3 RozhodovacÃ pravidla - Sorry