Tworzenie quasi-optymalnych modeli uczenia zastosowanie konstruktywnej indukcji cech

• Autorzy: Wrzesień M. , Paja W. , Hippe Z.S.

Warianty tytułu

EN

Development of quasi-optimal learning models - a constructive induction approach

• Języki publikacji: PL

Abstrakty

PL

Celem przedstawionych badań jest ulepszenie i uproszczenie modeli uczenia, wyrażonych w postaci reguł decyzji, za pomocą dwóch mechanizmów uczenia maszynowego. Pierwszy z nich jest mechanizmem konstruktywnej indukcji cech, wykorzystującym sieć przekonań do generowania nowego atrybutu opisującego, natomiast drugi mechanizm polega na zastosowaniu specyficznych operacji weryfikujących regułowy model uczenia. Na podstawie uzyskanych wyników można wnioskować, że przyjęty sposób uproszczenia modelu uczenia daje pozytywne wyniki; wyrażone zmniejszeniem się ogólnej liczby reguł i warunków, a także polepszeniem parametrów charakteryzujących reguły, na ogół z jednoczesnym utrzymaniem błędu klasyfikacji na niezmienionym poziomie, a często nawet ze zmniejszeniem wartości wspomnianego parametru.

EN

The main goal of our research was to develop a new methodology for building simplified learning models in a form of quasi-optimal sets of decision rules. The source informational database was extended by application of constructive induction to get a new, additional descriptive attribute, and then sets of production rules were developed for source and extended database, respectively. In the last step, both sets of rules were optimized and compared.

Słowa kluczowe

PL

modele uczenia; reguły decyzji; regułowy model uczenia; jakość uczenia; błąd klasyfikacji

EN

learning models; decision rules; constructive induction

• Wydawca: Wydział Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne
• Rocznik: 2007
• Tom: T. 13
• Strony: 515--522
• Opis fizyczny: Bibliogr. 30 poz., rys., tab.

Twórcy

autor

Wrzesień M.

autor

Paja W.

autor

Hippe Z.S.

• Katedra Systemów Ekspertowych i Sztucznej Inteligencji Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie

Bibliografia

• [1] Pindur R.: Agregacja wiedzy za pomocą reguł decyzyjnych o uogólnionej składni - metodyka i zastosowania, Rozprawa doktorska, Wydział Inf. i Zarządzania Politechniki Poz., Poznań 2004.
• [2] Preece A, Shinghal R.: Foundation and Application of Knowledge Base Verification, W: D. E. O'Leary (Ed.), International Journal of Intelligent Systems, 9(1994)683-701.
• [3] Spreeuwenberg S., Gerrits R.: Requirements for successfull verification in practice, W: Proceedings Fifteenth Flairs conference, 2002.
• [4] Ligęza A.: Logical Foundations for Rule-Based Systems, Wydawnictwa AGH, Kraków 2005.
• [5] Gonzales A.J., Barr V.: Validation and verification of intelligent systems, W: Journal of Experimental and Theoretical Al, Oct. 2000.
• [6] Laurent J.P.: Proposal for a validation terminology in KBS Validation, ECAI 92, John Wiley&Sons, Ltd., 1992.
• [7] Murrell S., Plant R.T.: A survey of tools for the validation and verification of knowledge-based systems: 1985-1995, W: Decision Support Systems, Elsevier Science, Vol. 21, Number 4, December 1997, s. 307-323(17).
• [8] Suwa M., Scott AC., Shortliffe E.H.: An Approach to Verifying Completeness and Consistency in a Rule-Based Expert System, Al Magazine, Vol. 3, Nr. 4, 1982.
• [9] Nguyen T., Laffey T.J., Pecora D., Perkins W.A.: Checking an Expert Systems Knowledge Base for Consistency and Completeness, W: Proc. 9th International Conference on Artificial Intelligence (IJCAI 8S), Los Angeles 1985, vol. 1, s. 37S-837.
• [10] Cragun B.J., Steudel H.J.: A Decision-Tab/e-Based Processor for Checking Completeness and Consistency in Rule-Based Expert Systems, W: Int. Journal of Man-Machine Studies, 26(1 987,NoS)633-648.
• [11] Rousset M.C.: On the Consistency oj Knowledge Bases: the COVADIS System, W: Computational Intelligence, 4(1988, No2)166-170.
• [12] Ginsberg A.: Know/edge-Base Reduction: A New Approach to Checking Know/edge Bases for Inconsistency and Redundancy, W: Proc. 7th National Conference on Art. Int.(AAAI 88), St.Paul, MN, vol.2, s.58S-589.
• [13] Preece A.: Verification of Rule-Based Expert Systems in Wide Domains, W: Shadbolt N. (Ed.), Research and Development in Expert Systems VI (Proc. Expert Systems 89), Cambridge University Press, 1989, s. 66-77.
• [14] Preece A: COVERAGE: Verifying Multiple-Agent Knowledge-Based Systems, Knowledge Based Systems, Elsevier Science, 12(1999)37-44.
• [15] Gerrits R., Spreeuwenberg S., Boekenoogen M.: VALENS: A Knowledge Based Tool to Validate and Verify an Aion Knowledge Base, W: Proceedings 14th European Conference on Art. Intelligence, 2000, s. 731-735.
• [16] Grzymała-Busse J.W.: A new version of the role induction system LERS, Fundamenta Informaticae 31(1997)27-39.
• [17] Duda R.O., Hart P.E., Stork D.G.: Pattern Classification, J. Wiley&Sons, Inc. Chichester 2000.
• [18] Grzymała-Busse J.W., Hippe Z.S.: Post-processing of Rule Sets Induced from a Melanoma Data Set, Proc. 26th Annual International Computer Software and Applications Conference, Oxford 2002, IEEE, Los Alamos, s. 1146-1151.
• [19] Gaetz M.W., Roiger R.J.: Data Mining. A Tutorial-Based Primer, Pearson Education, Inc., 2003, s.76-77.
• [20] Ligęza A., Szpyrka M., Klimek R., Szmuc T.: Weryfikacja wybranych własności jakościowych systemów tablicowych z bazą wiedzy, Inżynieria wiedzy i systemy ekspertowe, Wrocław 2000, t.1, s. 103-110.
• [21] Michalski R.S.: Pattern Recognition as Knowledge-Guided Computer Induction, (Technical Report No. 927). Department of Computer Science, University of Illinois, Urbana-Champaign, IL, 1978.
• [22] Wnęk J., Michalski RS.: Hypothesis-driven Constructive lnduction in AQl l-HCI: A Method and Experiments, Machine Learning, 14(1994, N02)139-168
• [23] Hippe Z.S., Knap M., Paja W.: Feasibility Studies of Quality of Knowledge Mined from Multiple Secondary Sources, In: M.A. Kłopotek, S. Wierzchoń, M. Michalewicz (Eds.); Intelligent Infor. Systems, Advances in Soft Computing, Springer- V erlag Berlin Heidelberg 2002, s. 361-364.
• [24] Hippe Z.S.: Uczenie maszynowe - obiecującą strategią przetwarzania informacji w biznesie? Informatyka 4 (1997)27-31,5(1997)29-33.
• [25] Mitchell T.M.: Machine learning, McGraw-Hill, 1997.
• [26] Paja W.: RuleSEEKER - nowy system zarządzania wiedzą ujętą w formalizmie reguł składniowych, W: R. Tadeusiewicz, A. Ligęza, M. Szymkat (Red.) Computer Methods and Systems. Metody i systemy komputerowe w badaniach naukowych i projektowaniu inżynierskim, Wyd. Oprogramowanie Naukowo-Techniczne, Kraków 2005.
• [27] Błajdo P., Grzymała-Busse J.W., Hippe Z.S., Knap M., Marek T., Mroczek T., Wrzesień M.: Suita narzędzi uczenia maszynowego do ekstrakcji informacji i wiedzy z danych, W: Tadeusiewicz R., Ligęza A., Szymkat M. Red. Wyd. Oprogramowanie Naukowo-Techniczne, Kraków 2003, s. 479-485.
• [28] Grabski F., Jaźwiński J.: Metody bayesowskie w niezawodności i diagnostyce, WKiŁ, Warszawa 2001.
• [29] Hippe Z.S., Bajcar S., Błajdo P., Grzymała-Busse J.P., Grzymała-Busse J.W., Knap M., Paja W., Wrzesień M.: Diagnosing Skin Melanoma: Current versus Future Directions, TASK Quarterly, 7(2003, N02)289-293.
• [30] Efron B., Tibshirani R.: Cross-Validation and the Bootstrap: Estimating the Error Rate of a Prediction Rule, Technical Report, (TR-477), Dept. of Statistics, Stanford University, 1995.