4. Задание на лабораторную работу, требования к содержанию отчета

1. Изучить методику построения базы знаний экспертной системы при помощи ReSolver.

2. Загрузить систему ReSolver.

3. Провести анализ данных предметной области (указанной преподавателем или выбранной самостоятельно):

• определить цели;

• составить перечень вопросов к пользователю;

• определить все возможные ответы на каждый рассматриваемый вопрос;

• выбрать способ определения коэффициента уверенности для каждого правила;

• разработать правила принятия решений.

4. Провести проверку работы экспертной системы, включающую разработанную базу знаний согласно этапам, представленным в разделе 3, и сопоставить предложенные системой рекомендации с решениями, принимаемыми экспертом.

5. Оформить отчет, который должен содержать: цель лабораторной работы; перечень целей; перечень вопросов и варианты ответов ЭС; правила принятия решений в форме таблицы (номер правила, часть IF, часть THEN); дерево решений; перечень выявленных ошибок и сделанные исправления; рекомендации, полученные в режиме консультации.

5. Контрольные вопросы

1. Дайте определение экспертной системы.

2. Для чего предназначены экспертные системы?

3. Укажите цель построения ЭС.

4. Укажите основные компоненты ЭС.

5. Что такое база знаний?

6. Чем отличаются базы знаний от базы данных?

7. Каким образом дерево решений связано с правилами в базе знаний?

8. Перечислите этапы разработки БЗ ЭС.

9. Какие ошибки выявляются программой ReSolver в ходе проверки разработанной базы знаний?

ЛАБОРАТОРНАЯ РАБОТА № 2

Разработка базы знаний с помощью построения деревьев решений

1. Цель работы

Целью работы является изучение методики разработки базы знаний на основе построения деревьев решений в заданной предметной области с применением системы See5

2. Краткие теоретические сведения

Деревья решений являются достаточно распространенной в настоящее время моделью, применяемой для извлечения знаний из данных и разработки баз знаний методом индуктивного обучения [4, 10]. Дерево решений (ДР) - граф, в котором существует единственный путь между любыми двумя вершинами. Каждому узлу ДР сопоставлен некоторый признак, а ветвям – либо конкретные значения качественных признаков, либо области значений количественных признаков в исследуемых данных.

Для построения дерева решений требуется подготовить совокупность объектов в заданной предметной области. Каждый объект описывается набором характеристических признаков X=(x₁,…,x_n) и классифицирующим признаком (решением) D, который задает принадлежность объекта к одному из классов объектов. ДР разбивает объекты на группы на основе значений тех или иных классифицирующих признаков. Корню дерева соответствует самый информативный характеристический признак. Далее, в вершинах располагаются признаки в порядке уменьшения значений информативности [2, 9]. В результате получается дерево решений, которое классифицирует данные. На основе ДР формируется множество правил, каждое из которых представляет собой маршрут на ДР от корня к листу.

При генерации дерева решений используются свойства объектов, которые можно сформулировать в следующем виде:

 t_i, t_j (t_i (D) ≠ t_j (D) → t_i (X) ≠ t_j (X)), (1)

 t_i, t_j (t_i (X) = t_j (X) → t_i (D) = t_j (D)), (2)

где t_i, t_j – i-ая и j-ая строки таблицы соответственно; t_i(D) – значение решения для строки t_i; t_i(X) – набор значений множества характеристических признаков X для строки t_i.

На каждом шаге характеристический признак можно выбирать произвольно, но существует наилучший выбор. Критерием такого выбора является формула (1): из всех возможных характеристических признаков в первую очередь выбирается тот, который имеет максимальное число пар строк таблицы, для которых при неравных решениях также не равны значения самого признака. После генерации дерева решений инженер знаний может минимизировать список признаков, удалив те признаки, которые не использовались при построении ДР.

В использовании деревьев решений существуют следующие ограничения: подобные модели неприемлемы при обработке большого количества непрерывных величин; кроме того, если количество признаков велико, ДР получается необозримым.

Построение дерева решений – распространенный подход к выявлению и изображению логических закономерностей в данных для обучения базы знаний новым продукционным правилам. В настоящее время разработаны компьютерные программы для построения деревьев решений [18, 19, 21]. В данной лабораторной работе изучается алгоритм построения деревьев решений с применением программной системы See5 [18].