Cтраница 1
Птица-Самолет: нам известна по определению разница между Птицами и Самолетами. Рассмотрим работу последовательной процедуры для этой задачи. [1]
Рассмотрим пример Птица-Самолет и введем истинные вероятности различных исходов, вместо того чтобы полагаться на обучение экспертной системы. Другими словами, как только предъявлен признак Оперение, эксперт должен сделать вывод о том, что Птица является единственно возможным исходом, и прекратить задавать любые вопросы. [2]
Рассмотрим, например, случай Птица-Самолет - Планер. [3]
Теперь, имея в виду пример Птица-Самолет, вы могли бы сказать, чего стоит ждать, а чего нет. Ну, а относительно примера с Погодой. Здесь все достаточно неопределенно, и у вас нет четкой позиции, основанной на определенных фактах, чтобы объяснить впоследствии все, что необходимо экспертной системе. [4]
В процессе обучения распознавание системы должно улучшаться, а в некоторых случаях, таких как пример Птица-Самолет - Планер, быть корректным во всех последующих случаях. В программе имеется встроенный счетчик, используя который, она может судить о том, что ее ответы стали достоверными. [5]
Кроме того, система TEIRESIAS отвечает на вопрос Как. Возвращаясь к нашему примеру Птица-Самолет - Планер, можно ввести специальный код, чтобы дать возможность пользователю задать вопрос: Как. Другими словами, если система считает, что у рассматриваемого объекта есть Крылья, то как она пришла к этому выводу. В данном случае ответ очень прост, так как сам пользователь сообщил ей еб этом. Поэтому довольно просто выдать соответствующее Kopofkoe сообщение. [6]
При этом предполагается, что раз эти переменные имеют максимальный диапазон изменения, то они являются важнейшими в процессе принятия решения. Очевидно, что в примере Птица-Самолет минимальные и максимальные значения ( 0 и 1) соответствующие отсутствию или наличию тех или иных признаков объекта, вряд ли чем могут помочь в этом смысле. [7]
Тот факт, что этот пример с горами рассмотрен в физически реальном пространстве, а наша проблема существует в n - мерном пространстве описаний, не играет особой роли с точки зрения метода решения задачи. В нашем случае необходимо сформировать позицию каждой из категорий, обозначающих какой-либо исход. Если рассмотреть случай Птица-Самолет и учесть только две переменные ( Клюв и Двигатель), то получим для Птицы координаты ( 1, 0), поскольку у нее есть Клюв и нет Двигателя, для Самолета - ( О, 1), так как у него нет Клюва, но есть Двигатель. [8]
Снова необходимы измерения расстояний со всеми вытекающими из этого проблемами. Жаль, ведь если бы описанный метод категорий работал, то мы фактически могли бы назначить вероятности возможным исходам, основываясь на числе различных случаев, соответствующих той или иной категории. Конечно, если у вас какая-то специфическая задача, удобная для реализацией этим методом, то он покажется вам очень простым, легким для понимания и приемлемо точным. В примере Птица-Самолет - Планер такие категорий точно характеризуют конкретный исход. [9]
Допустим, мы имеем заданный набор переменных и решаем проблему возможного исхода. Мы можем запустить систему с тем набором значений, на котором она была обучена, чтобы определить, сколько элементов из данного набора имеют те же значения, что и наши переменные. Затем заставим систему принять решение путем выбора такого исхода, который содержал бы наибольшее число примеров с одинаковыми значениями переменных. Он достаточно прост и основан на данных заме -, ра расстояний, поэтому мы можем использовать категорий или другие методы описания данных, которые нам больше подходят. Для примера Птица-Самолет - Планер этот метод вполне пригоден. [10]