Деревья - решение
Cтраница 2
Обе задачи при этом используют одинаковые деревья решений. В первой задаче исследуется дерево, пока не будет найдено какое-либо решение. Поскольку эти задачи не имеют частных или приближенных решений, нельзя применить метод ветвей и границ или эвристику для уменьшения объема работы. Обычно только несколько путей в дереве приводят к решению, поэтому решение этих задач - очень длительный и сложный процесс. [16]
Существует ряд средств построения эвристических программ, которые автоматически генерируют деревья решений на основе примеров. Эти программы эффективны, если примеры легко могут быть выражены в форме вывода с простым набором значений определяющих признаков. Индуктивный вывод обычно начинается с одного из входных параметров и с поиска дерева, соответствующего минимальному числу решений, необходимых для достижения вывода. [17]
К интеллектуальным средствам DM & KDD относятся нейронные сети, деревья решений, индуктивные выводы, методы рассуждения по аналогии, нечеткие логические выводы, генетические алгоритмы, алгоритмы определения ассоциаций и последовательностей, анализ с избирательным действием, логическая регрессия, эволюционное программирование, визуализация данных. Иногда перечисленные методы применяются в различных комбинациях. [18]
Опираясь на различные математические методы, такие как нейронные сети, деревья решений, линейное программирование, нечеткая логика, удается извлечь из различных, в том числе и очень больших, баз данных ранее неизвестную и достоверную информацию, служащую основой для принятия решений. Поэтому ИАД определяют также как метод поддержки принятия решений, основанный на поиске и анализе зависимостей между данными. Следует отметить, что ИАД основывается на целом комплексе методов прикладной статистики, как традиционных, так и нетрадиционных. В традиционных методах, таких как регрессионный анализ, пользователь сам выдвигает гипотезы относительно зависимостей между данными. Это относится и к современным средствам установления зависимостей, таким как оперативная аналитическая обработка данных ( Оп-Ыпе Analytical Processing, OLAP), которые по существу являются развитием классических методов регрессионного и дисперсионного анализов и т.п. Традиционные методы, основанные на использовании статистических моделей и априорных предположений о свойствах этих моделей, достаточно широко используются в ИАД, но большие надежды в настоящее время возлагаются на нетрадиционные методы. Достаточно часто именно эту группу методов связывают с понятием ИАД. Основополагающая идея, лежащая в основе таких методов, состоит в установлении зависимостей между рядами данных без необходимости предварительного формулирования гипотезы о виде этой зависимости. При этом искомые зависимости далеко не всегда выражаются математическими уравнениями, и в таких случаях точнее говорить о взаимосвязях между данными. Следует также отметить, что большинство из так называемых нетрадиционных методов ИАД довольно давно разрабатывались прикладными статистиками и в этом смысле они являются вполне традиционными. При этом их эффективность, например при решении достаточно сложных экономометрических задач, подтверждена результатами большого числа исследований. [19]
Для генерации различных вариантов решений и их оценки наибольшее распространение получили деревья решений, содержащие два типа вершин: вершины в которых решение принимает эксперт ( ЛПР) и вершины где решение принимает случай, выходящие из вершины дуги задают определенные вероятности направлений принятия решения. [20]
 |
Составные части дерева решений 124. [21] |
Специфическим графическим инструментом анализа проблемных ситуаций являются, так называемые, деревья решений. [22]
Опираясь на различные математические методы, такие как нейронные сети, деревья решений, линейное программирование, нечеткая логика, удается извлечь из различных, в том числе и очень больших, баз данных ранее неизвестную и достоверную информацию, служащую основой для принятия решений. Поэтому ИАД определяют также как метод поддержки принятия решений, основанный на поиске и анализе зависимостей между данными. Следует отметить, что ИАД основывается на целом комплексе методов прикладной статистики, как традиционных, так и нетрадиционных. В традиционных методах, таких как регрессионный анализ, пользователь сам выдвигает гипотезы относительно зависимостей между данными. Это относится и к современным средствам установления зависимостей, таким как оперативная аналитическая обработка данных ( On-Line Analytical Processing, OLAP), которые по существу являются развитием классических методов регрессионного и дисперсионного анализов и т.п. Традиционные методы, основанные на использовании статистических моделей и априорных предположений о свойствах этих моделей, достаточно широко используются в ИАД, но большие надежды в настоящее время возлагаются на нетрадиционные методы. Достаточно часто именно эту группу методов связывают с понятием ИАД. Основополагающая идея, лежащая в основе таких методов, состоит в установлении зависимостей между рядами данных без необходимости предварительного формулирования гипотезы о виде этой зависимости. При этом искомые зависимости далеко не всегда выражаются математическими уравнениями, и в таких случаях точнее говорить о взаимосвязях между данными. Следует также отметить, что большинство из так называемых нетрадиционных методов ИАД довольно давно разрабатывались прикладными статистиками и в этом смысле они являются вполне традиционными. При этом их эффективность, например при решении достаточно сложных экономометрических задач, подтверждена результатами большого числа исследований. [23]
Эвристическое правило, позволяющее эффективно получать хорошие ( но не обязательно оптимальные) деревья решений, когда указанное выше изящное решение для отыскания оптимальных деревьев не пригодно. [24]
Конечно, не все реальные проблемы имеют такие простые аналоги в виде опционов, но мы часто можем приблизительно представить сложные деревья решений в виде некоторого простого пакета активов и опционов. Древо решений для соответствующего проекта можно сильно приблизить к реальности, но, вероятно, это не стоит затрат времени и средств. Большинство мужчин покупает костюмы в универмагах, хотя специально сшитый костюм от Saville Row и сидел и смотрелся бы лучше. [25]
Средства извлечения знаний относятся к классу систем, основанных на знаниях, и включают в себя следующие основные механизмы: нейронные сети, деревья решений, индуктивное обучение, визуализацию данных, нечеткие множества и нечеткую логику, статистические методы и их комбинацию. [26]
 |
Сравнение двух лотерей. [27] |
Но и после построения этой теории остаются те же вопросы о причинах парадоксального поведения людей в задачах принятия решений, где в качестве метода выбора использовались деревья решений и максимизация субъективной ожидаемой полезности. [28]
Деревья решений - это способ представления правил в иерархической последовательной структуре, где каждому объекту соответствует единственный узел дающий решение. [29]
Система ID3 способна работать в условиях лишь небольшого шума, поэтому шахматы явились для нее столь удобной областью применения. При сильно зашумленных данных деревья решений начинают сильно ветвиться, чтобы хорошо описать обучающие последовательности, но при этом затрудняется их модификация при поступлении новых примеров. [30]
Страницы: 1 2 3 4