Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Schemat blokowy systemu podejmowania decyzji
Schemat blokowy systemu podejmowania decyzji
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Typy wiedzy
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
1. In˙zynier wiedzy tak jak ka˙zdy in˙zynier operuj ˛ac materiałami i posługuj ˛ac si ˛e odpowiednimi narz ˛edziami buduje nowe warto´sci.
1. In˙zynier wiedzy tak jak ka˙zdy in˙zynier operuj ˛ac materiałami i posługuj ˛ac si ˛e odpowiednimi narz ˛edziami buduje nowe warto´sci.
2. Jego materiałem jest wiedza, narz ˛edziem - komputer, a wytworami - wiedza zapisana w postaci zrozumiałej dla komputera.
1. In˙zynier wiedzy tak jak ka˙zdy in˙zynier operuj ˛ac materiałami i posługuj ˛ac si ˛e odpowiednimi narz ˛edziami buduje nowe warto´sci.
2. Jego materiałem jest wiedza, narz ˛edziem - komputer, a wytworami - wiedza zapisana w postaci zrozumiałej dla komputera.
3. In˙zynier wiedzy jest w stanie stworzy´c bazy wiedzy, inteligentne systemy wyszukuj ˛ace informacj ˛e i wiele innych systemów, którymi mo˙zna si ˛e
posługiwa´c w Internecie albo, z których korzystaj ˛a firmy. Najcz ˛e´sciej nawet o tym nie wiedz ˛ac.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
è Zbiory przybli˙zone - zbiory, zakładamy, ˙ze mamy pewne dane o uniwersum i dane te s ˛a wykorzystywane przy tworzeniu zbiorów. Elementy o
identycznych informacjach, s ˛a nierozró˙znialne i tworz ˛a tzw. zbiory elementarne. Suma dowolnych zbiorów elementarnych jest zbiorem
definiowalnym. Zbiory, które nie s ˛a definiowalne, s ˛a nazywane zbiorami przybli˙zonymi.
è Dolne przybli˙zenie zbioru - to wszystkie elementy, które w ´swietle posiadanej wiedzy jednoznacznie nale˙z ˛a do zbioru,
è Górne przybli˙zenie zbioru - to wszystkie elementy, które w ´swietle posiadanej wiedzy nie mo˙zna wykluczy´c z danego zbioru,
è Obszar brzegowy - brzeg - ró˙znica mi ˛edzy górnym a dolnym przybli˙zeniem,
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Reprezentacja informacji z wykorzystaniem zbiorów rozmytych
Reprezentacja informacji z wykorzystaniem zbiorów rozmytych
Reprezentacja informacji z wykorzystaniem zbiorów rozmytych
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Teoria zbiorów przybli˙zonych w analizie problemów decyzyjnych pozwala na:
è analiz˛e danych, w których wyst ˛epuje porz ˛adek preferencyjny, a atrybuty pełni ˛a rol ˛e kryteriów oceny,
è ocen ˛e wa˙zno´sci kryteriów, è redukcj ˛e zbioru kryteriów,
è przetwarzanie informacji porz ˛adkowej bez po´srednictwa jej reprezentacji numerycznej,
è generowanie reguł decyzyjnych lub drzew decyzyjnych, b ˛ed ˛acych modelem preferencji odkrytym z danych,
è wspomaganie decyzji wielokryterialnych dotycz ˛acych klasyfikacji, wyboru lub porz ˛adkowania b ˛ad´z wspomaganie decyzji w warunkach ryzyka i
niepewno´sci.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Wnioskowanie indukcyjne a wiedza dziedzinowa (wychodzi si ˛e od pewnych faktow cz ˛e´sciowych o badanej rzeczywisto´sci, prowadzi do wniosków
prawdopodobnych - mo˙zliwych):
trzy kategorie wiedzy dziedzinowej maj ˛ace wpływ na wzorce odkrywane z danych
è dziedziny atrybutów - warto´sci atrybutów maj ˛a sens dla ludzkiej percepcji (reguły asocjacyjne),
è podział atrybutów na warunkowe i decyzyjne - wzorce do zwi ˛azków mi ˛edzy warto´sciami tych atrybutów reguły, drzewa decyzyjne,
è porz ˛adek preferencyjny w dziedzinie niektórych atrybutów i semantyczna korelacja mi ˛edzy tymi atrybutami, narzucaj ˛aca na wzorce konieczno´s´c przestrzegania zasady dominacji(wspomaganie decyzji.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Wnioskowanie dedukcyjne a indukcyjne è wnioskowanie dedukcyjne,
• zastosowanie:matematyka,
• pełna teoria.
• wnioskowanie zawsze prawdziwe,
• weryfikacja hipotez - dowód.
è wnioskowanie indukcyjne,
• zastosowanie: nauki przyrodnicze, techniczne,
• cz ˛e´sciowe teorie,
• wnioski prawdopodobne (mo˙zliwe),
• weryfikacja hipotez - eksperyment.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
dziedziny atrybutów:
è dziedziny atrybutów - warto´sci atrybutów maj ˛a sens dla ludzkiej percepcji, è wzorce odkrywane tylko z oparciu o wiedz˛e dziedzinow ˛a nazywaj ˛a si ˛e
regułami asocjacyjnymi,
è reguły te pokazuj ˛a silne zwi ˛azki mi ˛edzy warto´sciami pewnych atrybutów bez dzielenia ich na warunkowe i decyzyjne (np. sie´c semantyczna).
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
podział atrybutów na warunkowe i decyzyjne:
è poł ˛aczenie wiedzy dziedzinowej z podziałem atrybutów na warunkowe i decyzyjne,
è rozpatruje si ˛e podział obiektów na klasy decyzyjne za pomoc ˛a atrybutów decyzyjnych,
è odkrywane wzorce maj ˛a posta´c reguł lub drzew decyzyjnych.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
porz ˛adek preferencyjny w dziedzinie niektórych atrybutów:
è wskazane jest zastosowanie zasady dominacji w budowie systemów wspomagania decyzji,
è atrybuty z dziedzin ˛a uporz ˛adkowan ˛a według preferencji nazywane s ˛a kryteriami ,
è Semantyczna korelacja mi ˛edzy dwoma kryteriami - oznacza, ˙ze
polepszenie oceny obiektu na jednym kryterium nie powinno spowodowa´c pogorszenia oceny na drugim kryterium, je´sli warto´sci pozostałych atrybutów i kryteriów s ˛a niezmienione.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Wstawianie ocen studentom:
è wyniki studentów opisujemy atrybutami: algebra (A), j ˛ezyk obcy (JO) oraz ocena ko ´ncowa (K),
è dziedziny tych atrybutów: zadawalaj ˛aca, dobra, bardzo dobra, è jest to wiedza dziedzinowa (i).
é atrybuty (A), (JO) s ˛a warunkowe a atrybut (K) jest decyzyjny, é jest to wiedza z podziałem na warunkow ˛a i decyzyjn ˛a (ii).
ê porz ˛adek preferencyjny: ocena bardzo dobry jest lepsza od dobry itd., ê atrybyty (A) i (JO) s ˛a semantycznie skorelowane z (K),
ê jest to wiedza z preferencjami (iii).
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Semantyczna korelacja mi ˛edzy dwoma kryteriami
è polepszenie oceny studenta z algebry (A) lub j ˛ezyka obcego (JO), przy
niezmienionej dugiej ocenie nie powinno pogorszy´c oceny ko ´ncowej (K) lecz j ˛a polepszy´c,
è semantyczna korelacja mi ˛edzy kryteriami warunkowymi i decyzyjnymi wymaga aby:
• obiekt P dominuj ˛acy obiekt Q na wszystkich kryteriach warunkowych.
• równie˙z dominował obiekt Q na wszystkich kryteriach decyzyjnych.
é zasada ta zwana jest jako zasada dominacji lub zasada Pareto.
é jedyna obiektywna zasad wielokryterialnego porównywania obiektów.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Oceny studentów wyindukowane z danych:
è reguła 1: je˙zeli A=zadawalaj ˛aca i JO=zadawalaj ˛aca to K=dobra, è reguła 2: je˙zeli A=dobra i JO=zadawalaj ˛aca to K=zadawalaj ˛aca,
é nie spełniana jest zasada dominacji,
é profil warunkowy reguły 2 dominuje profil warunkowy reguły 1,
é profil decyzyjny reguły 2 jest zdominowany przez profil decyzyjny reguły 1, é s ˛a to reguły niespójne z zasad ˛a dominacji i bł ˛edne w ´swietle wiedzy
preferowanej,
é w takich sytuacjach znajduje zastosowanie teoria zbiorów przybli˙zonych -stosyjemy wiedz ˛e pewn ˛a (dolne przybli˙zenie) i mo˙zliw ˛a (górne przybli˙zenie).
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
DRSA - ang. Dominance-based Rough Set Approach
è zało˙zenie: zbiór atrybutów decyzyjnych jest jednoelementowy D={d}, è dokonuje on podziału obiektów U na sko ´nczon ˛a liczb ˛e klas decyzyjnych
Cl = Clt, t = 1, ..., n,
è Clt = x ∈ U : xq = t, t = 1, ..., n
è im wy˙zszy numer klasy tym lepsza klasa, è zło˙znia klas decyzyjnych:
• w gór ˛e: Clt> = S
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
è nale˙zenie obiektu do klasy Clt z w ˛atpliwo ´sci ˛a gdy dla danego zbioru
kryteriów P ⊆ C zaliczenie x ∈ U do Clt>; t = 2, ..., n jest niespójne z zasad ˛a dominacji,
è nale˙zenie obiektu do klasy Clt bez w ˛atpliwo ´sci gdy dla danego zbioru kryteriów P ⊆ C zaliczenie x ∈ U do Clt>; t = 2, ..., n nie ma niespójno´sci z zasad ˛a dominacji„
è obiekt x by ´c mo˙ze nale˙zy do Clt> przy P ⊆ C, gdy zachodzi jedna z poni˙zszych sytuacji:
• zgodnie z decyzj ˛a d obiekt x nale˙zy do Cl>t ,
• zgodnie z decyzj ˛a d obiekt x nie nale˙zy do Cl>t lecz obiekt ten jest
niespójny w sensie zasady dominacji z obiektem y nale˙z ˛acym do Cl>t .
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Wiedza pewna, mo˙zliwa, w ˛atpliwa
è dla P ⊆ C zbiór wszystkich obiektów nale˙z ˛acych bez w ˛atpliwo´sci do Clt>
tworzy P-dolne przybli˙zenie zło˙zenia klas Clt>,
è dla P ⊆ C zbiór wszystkich obiektów by´c mo˙ze nale˙z ˛acych do Cl>t tworzy P-górne przybli˙zenie zło˙zenia klas Clt>,
è dla P ⊆ C zbiór wszystkich obiektów nale˙z ˛acych z w ˛atpliwo´sci ˛a do Clt>
tworzy P-brzegi zło˙zenia klas Cl>t
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
Wiedza pewna, mo˙zliwa, w ˛atpliwa
Z punktu widzenia odkrywania wiedzy z danych:
ê P-dolne przybli˙zenia zło˙ze ´n klas reprezentuj ˛a wiedz ˛e pewn ˛a, ê P-górne przybli˙zenia zło˙ze ´n klas reprezentuj ˛a wiedz ˛e mo˙zliw ˛a, ê P-brzegi zło˙ze ´n klas reprezentuj ˛a wiedz ˛e w ˛atpliw ˛a.
Instytut Sterowania i Systemów Informatycznych Andrzej PIECZY ´c NSKI Uniwersytet Zielonogórski
W:V