LISp-Miner: systém pro získávání znalostí z dat1 - ResearchGate

Báze znalostí je vytvářena v podobě souboru pravidel tvořených vztahy implikace kzadané cílové kombinaci. Vztahy jsou opatřeny váhou která vyjadřuje neurčitost veznalostech. Pravidla v bázi znalostí tedy mají podobupředpoklad ⇒ třída (w),kdepředpoklad je kombinace kategorií vstupních atributů,třída je kombinace definující pozitivní příklady,w z intervalu [0,1] je váha vyjadřující neurčitost pravidla.Inferenční mechanismus budovaného systému pracuje metodou přímého řetězení. Vprůběhu konzultace se pro nový objekt popsaný hodnotami vstupních atributů (popisobjektu nemusí být úplný!) naleznou všechna aplikovatelná pravidla. Příspěvky těchtopravidel se složí pomocí kombinační funkce ⊕ a tak se naleznou výsledné váhy všechcílů. Jako kombinační funkce se používá pseudobayesovské skládání vah známé zexpertního systému PROSPECTOR (Duda, Gasching, 1979). Jsou-li w 1 , w 2 váhy dvoupravidel, spočítá se jejich kombinace jako:w1× w2w1⊕ w2=.w × w + 1−w ) × (1 − w )12(12Při tvorbě báze pravidel se vlastně provádí postupné zpřesňování a zjemňování jižexistujících znalostí (knowledge refinement). Bázi pravidel vytváříme „shora dolů“postupným přidáváním nových (speciálnějších) pravidel ve chvíli, kdy báze přestane býtkonsistentní s trénovacími daty reprezentovanými souborem všech implikací kzadanému cíli. Na počátku obsahuje báze pravidel tzv. prázdný vztah, který odpovídározdělení tříd v trénovacích datech. Do báze pravidel se pak postupně zařazují jen tyimplikace, které nejsou odvoditelné z již získaných kratších pravidel. Obrázek 10ukazuje bázi pravidel získaných z našich ukázkových datObrázek 10. Klasifikační pravidla nalezená procedurou KEX