Исследование правильности построения продукционных правил

↑

▷ Содержание

⇐ ПредыдущаяСтр 7 из 16Следующая ⇒

Возьмем небольшую обучающую выборку (табл. 4.1), рассмотренную Р.Куинланом в работе [4].

Таблица 4.1 Обучающая выборка

В данной обучающей выборке объекты характеризуются значениями 5 признаков – Outlook, Temperature, Humidity, Wind, Play ball. Последний атрибут является целевым, он определяет два возможных класса (yes,no). Для начала построим набор продукционных правил с помощью алгоритма CN2 и сравним полученный результат с деревом из работы Р. Куинлана. Так как дерево может быть представлено в виде набора продукционных правил, мы сможем оценить эффективность разработанного алгоритма CN2.

Однозначного сходства полученных в результате обучения продукционных правил с правилами из алгоритма ID3 добиться не получилось, в силу того, что в алгоритме CN2 выбор очередного примера SEED, а также , имеет «случайный» характер, что значительно влияет на полученные продукционные правила.

На рисунке 4.1 представлены продукционные правила, полученные с помощью алгоритма CN2 и дерево решений из статьи Р. Куинлана.

а)

б)

Рис. 4.1 Полученные продукционные правила (а – программная реализация, б – из статьи Р.Куинлана)

Так как на рисунке 4.1 изображены две разные модели представления правил, для удобства преобразуем дерево решений в набор продукционных правил:

1) Если Outlook= Sunny & Humidity = High, то Play Ball = false

2) Если Outlook= Sunny & Humidity = Normal, то Play Ball = true

3) Если Outlook= Overcast, то Play Ball = true

4) Если Outlook= Rain & Wind = Strong, то Play Ball = false

5) Если Outlook= Rain & Wind = Weak, то Play Ball = false

Преобразованные правила из дерева решений ID3 имеют сходство с правилами, полученными с помощью алгоритма CN2, что говорит о корректной работе реализованного алгоритма.

4.2. Оценка точности классификации примеров(с помощью алгоритма CN2)

В этом разделе мы изложим результаты экспериментов на данных задач монахов. Далее задачи монахов будут обозначены как Monk 1, Monk 2 и Monk 3.

Результат классификации в задаче MONK1(CN2)

Первая задача монахов состоит в том, чтобы в результате обучения получить классифицирующее правило, которое позволяет отнести понятие к какому-либо классу. Целевое понятие может быть представлено как простое выражение: [ x2 = 1] Ú [ x 4 = x 5] Þ M1, которое можно интерпретировать следующим образом: «если для неизвестного объекта атрибут x 2 принимает значение 1 или атрибуты x 4 и x 5 принимают одинаковое значение (неважно, какое именно), то вне зависимости от значений других атрибутов следует классифицировать этот объект как принадлежащий понятию M 1». В данном случае для оценки ошибки классификации был применен метод «обучения и проверки». Обучающее множество состояло из 124 примеров (62 положительных и 62 отрицательных), что составляет 30% от полного пространства примеров (432 объекта). Множество тестовых примеров включало все возможные примеры (216 положительных и столько же отрицательных). Каждый объект характеризуется шестью условными атрибутами (области значений которых дискретны и включают малое число

значений) и одним решающим атрибутом (с двумя классами решения).

Рис.4.2 Результат обучения для набора данных MONK1.

Была произведена серия опытов на различных экзаменационных наборах примеров, результаты классификации приведены ниже:

Рис.4.3 Результаты опытов задачи MONK1.

Познавательные статьи:



Техника нижней прямой подачи мяча

Комплекс физических упражнений для развития мышц плечевого пояса

Стандарт Порядок надевания противочумного костюма

Общеразвивающие упражнения без предметов