第4章智能决策支持系统课件.pptVIP

关系：概念空间的每个概念都可表示为例 子空间某些例子的集合（子集），每个概 念可以对应概念描述空间的多个概念描述 概念C对应例子空间的子集（I1，I2，I3）。 概念C对应概念描述空间的D1和D2。 解释学习任务： 把不可操作的概念描述转化为可操作的概念描述。 基本原理： 米切尔（Mitchell ）的解释泛化学习方法： 已知：目标概念 GC（Goal Concept） 训练实例 TE（Training Example） 领域理论 DT（Domain Theory） 操作性标准 OC（Operationality Criterion） 求出： 满足OC的关于GC的充分概念描述 目标 概念 训练 例子 （事实） 领域 知识 （规则） 目标 概念 的 规则 例子： 已知:(1)目标概念:一对物体(X,Y)，使SAFE_TO_STACK(X,Y)： SAFE_TO_STACK(X,Y)←→NOT(FRAGILE)∨LIGHTER(X,Y) (2)训练例子： 　　　　ON(OBJ1，OBJ2) 　　　　ISA(OBJ1，BOX) 　　　　ISA(OBJ2，ENDTABLE) 　　　　COLOR(OBJ1，RED) 　　　　COLOR(OBJ2，BLUE) 　　　　VOLUME(OBJ1，1) 　　　　DENSITY(OBJ1，1) 　　　　……… (3)领域知识 VOLUME(P1,V1)∧DENSITY(P1,D1) ∧ ×(V1,D1,W1)(即W1=V1 × D1) →WEIGHT(P1,V1×D1) WEIGHT(P1,W1)∧WEIGHT(P2,W2)∧ LESS(W1,W2)→LIGHTER(P1,P2) ISA(P2,ENDTABLE)→WEIGHT(P2,5） NOT(FRAGILE(Y) )→SAFE_TO_STACK(X,Y) LIGHTER(X,Y) →SAFE_TO_STACK(X,Y) 确定:训练例子一个抽象,它是目标概念的充分性定义 经过解释学习，得到目标概念的可操作性定义为： VOLUME(X,V1)∧DENSITY(X,D1)∧LESS(V1×D1,5)∧ISA(Y,ENDTABLE)→SAFE_TO_STACK(X,Y) 解释学习推理图 : Weight x w ( , ) 1 Weight y w ( , ) 2 Less w w ( , ) 1 2 Safe to stack x y _ _ ( , ) Lighter x y ( , ) Weight y ( , ) 5 Less w ( , ) 1 5 isa y endtable ( , ) Volume x v ( , ) 1 Density x d ( , ) 1 × ( , , ) v d w 1 1 1 5/w 2 5/w 2 5、类比学习 类比：从一个已知事物的“源”领域到一个 未知的“目标”领域进行知识的映射。 类比推理：从一个已知事物（源），通过类比来解决另一个未知事物（目标）的推理过程。 类比学习过程 1.联想有哪些信誉好的足球投注网站匹配 对一个新事物(目标源)提取其特征 用这些特征去有哪些信誉好的足球投注网站一个与之相似的已知 事物(候选源)，进行匹配。 2.检验相似程度 判断已知事物(候选源)与新事物(目标源) 的相似程度，达到了某阈值，则类比匹配 3. 修正、变换的求解 为了把匹配成功的已知事物(源)用于 新事物(目标)，需要对已知事物的知 识进行修正变换，以导出新事物的解。 4. 更新知识库 当新事物的解求出以后，将它并入知识库 类比学习方法 1. 思想：根据两事物性质，从一个事物的 特性，推出另一个事物的新特性。 2. 示意图： 源域 S 元素 a 性质 P(a) 有 Q(a) 目标域 T 元素 b 性质 P(b) 有 Q(b) 相似 类比 3. 类比学习算法思想： S 域中 找P(a)-Q(a) S 域中 一般P(x)-Q(x) (1) 归纳 T 域中 P(x)-Q(