Теми рефератів
> Реферати > Курсові роботи > Звіти з практики > Курсові проекти > Питання та відповіді > Ессе > Доклади > Учбові матеріали > Контрольні роботи > Методички > Лекції > Твори > Підручники > Статті Контакти
Реферати, твори, дипломи, практика » Статьи » Використання генетичних алгоритмів для оптимізації бази правил

Реферат Використання генетичних алгоритмів для оптимізації бази правил





е з поняттям класифікації. Якщо відомо кількість груп, які утворюють розбиття, то кластеризація називається класифікацією в широкому сенсі. Під класифікацією у вузькому сенсі розуміється процедура віднесення заданого об'єкта до якої-небудь групи.

Дослідження методів класифікації/кластеризації, заснованих на знаннях, отриманих від експертів, в комбінації з спостерігаються даними, є перспективним напрямком для вирішення подібних завдань. Невід'ємною частиною експертних систем, призначених для класифікації/кластеризації, є база знань. Саме база знань враховує специфіку предметної області. Кожна база знань спирається на модель представлення знань. Ефективним способом представлення експертних знань є продукційні правила, а експертні системи, засновані на продукционной моделі, називають продукційними.

Експертні системи для підтримки прийняття рішень знаходять широке застосування в медицині та економіці. В даний час з'являються пакети програм для побудови нечітких експертних систем. Вони застосовуються в автомобільній, аерокосмічній і транспортної промисловості, в області виробів побутової техніки, у сфері фінансів, аналізу та прийняття управлінських рішень та багатьох інших.


1.1.1 Методи рішення задач класифікації/кластеризації

Загальноприйнятою класифікації методів кластеризації не існує, але можна виділити ряд груп підходів (деякі методи можна віднести відразу до декількох груп і тому пропонується розглядати дану типізацію як деяке наближення до реальної класифікації методів кластеризації) [1]:

1. Імовірнісний підхід. Передбачається, що кожен даний об'єкт відноситься до одного з k класів. Деякі автори (наприклад, А. І. Орлов) вважають, що дана група зовсім не відноситься до кластеризації і протиставляють її під назвою «дискримінація», тобто вибір віднесення об'єктів до однієї з відомих груп (навчальних вибірок).

- K-середніх (K-means) [14]

- K-medians [15]

- EM-алгоритм

- Алгоритми сімейства FOREL [16]

- Дискримінантний аналіз

2. Підходи на основі систем штучного інтелекту.

- Метод нечіткої кластеризації C-середніх (C-means)

- Нейронна мережа Кохонена

- Генетичний алгоритм

3. Логічний підхід. Побудова дендрограмми здійснюється за допомогою дерева рішень.

4. Графові алгоритми кластеризації

. Ієрархічний підхід. Передбачається наявність вкладених груп (кластерів різного порядку). Алгоритми в свою чергу поділяються на агломеративні (об'єднавчі) і дівізівние (розділяють). За кількістю ознак іноді виділяють монотетіческіе і політетіческіе методи класифікації.

6. Інші методи, які не ввійшли в попередні групи.

- Статистичні алгоритми кластеризації

- Ансамбль кластерізаторов

- Алгоритми сімейства KRAB

- Алгоритм, заснований на методі просіювання

- DBSCAN та ін.


1.1.2 Класифікація/кластеризація в пакетах прикладних програм

У таблиці 1 представлений список прикладів програмних пакетів, що реалізують класифікацію/кластеризацию.


Таблиця 1 - Класифікація/кластеризація в пакетах прикладних програм.

SAS (SAS Institute), 1982Настраіваемая система для управління ризиками, маркетингом. Використовується для вирішення ряду завдань: - управління маркетинговими ресурсами - прогнозування попиту - аналіз клієнтурної бази [10] .SPSS (SPSS, 1984) Статистичний пакет для соціальних наук [11] .BMDP (Dixon, 1983) Статистичний пакет для біомедичних застосувань [12].CLUSTAN (Wishart, 1982) Включає одинадцятій процедур, які містять сімейства методів кластеризації [12] .STATISTICAПрограммний пакет для статистичного аналізу, що реалізує функції аналізу даних, управління даними, видобутку та візуалізації даних [11] .MATLABСодержіт інструмент Fuzzy Logic Toolbox, для побудови та аналізу нечітких множин [11].

1.2 Критерій якості класифікації/кластеризації


Критерієм якості класифікації/кластеризації є її точність. Оцінка точності класифікації може проводитися за допомогою крос-перевірки. Крос-перевірка (Cross-validation) - це процедура оцінки точності класифікації на даних з тестового безлічі, яке також називають крос-перевірочним безліччю. Точність класифікації тестового безлічі порівнюється з точністю класифікації навчальної множини. Якщо класифікація тестового множини дає приблизно такі ж результати по точності, як і клас...


Назад | сторінка 2 з 14 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Аналіз можливості застосування методів багатовимірного аналізу для класифік ...
  • Реферат на тему: Користувальницький інтерфейс програми кластеризації даних
  • Реферат на тему: Кластерний аналіз і метод гірської кластеризації
  • Реферат на тему: Основні підходи до класифікації банківських ризиків, методи управління ними ...
  • Реферат на тему: Особливості класифікації окремих груп товарів в ТН ЗЕД ТЗ