KNW- Wykład 5
Zbiory przybliżone i Zbiory przybliżone i
Funkcje przekonań
Funkcje przekonań
PROGRAM WYKŁADU NR 5
Zbiory przybliżone
– Powtórka z Wykładu nr 4
– Dowód NP-trudności problemu redukcji
Funkcje przekonań
– Odniesienia do zbiorów przybliżonych – Reguła syntezy informacji
Outlook Temp. Humid. Wind Sport?
1 Sunny Hot High Weak No
2 Sunny Hot High Strong No 3 Overcast Hot High Weak Yes 4 Rain Mild High Weak Yes 5 Rain Cold Normal Weak Yes 6 Rain Cold Normal Strong No 7 Overcast Cold Normal Strong Yes 8 Sunny Mild High Weak No 9 Sunny Cold Normal Weak Yes 10 Rain Mild Normal Weak Yes 11 Sunny Mild Normal Strong Yes 12 Overcast Mild High Strong Yes 13 Overcast Hot Normal Weak Yes 14 Rain Mild High Strong No
POJĘCIE REDUKTU
Nie jest reduktem {T,H,W}, ani żaden jego podzbiór
Nie jest reduktem {O,T,H}, ani żaden jego podzbiór
Nie jest reduktem {O,W}, ani żaden jego podzbiór
Reduktami są:
{O,T,W},{O,H,W}
PROBLEM ZNAJDOWANIA MINIMALNEGO REDUKTU
Mając daną tablicę decyzyjną, znaleźć redukt decyzyjny o minimalnej liczbie elementów
Tak sformułowany problem znajdowania minimalnego reduktu jest NP-trudny
SPROWADZALNOŚĆ
Niech P1, P2 oznacza dwa problemy optymalizacyjne, i1, i2 – dane
wejściowe, zaś o1, o2 – odpowiedzi
Powiemy, że P1 jest wielomianowo
sprowadzalny do P2, jeśli umiemy tak wielomianowo przekonwertować dane i1, aby zastosowanie do nich algorytmu rozwiązującego P2 doprowadziło do
rozwiązania P1
SPROWADZALNOŚĆ
Typ_o1 P1(i1) {
Typ_i2 i2 = Encode(i1); //polynomial Typ_o2 o2 = P2(i2);
Typ_o1 o1 = Decode(o2); //polynomial return o1;
}
Outlook Humid. Sport?
1 Sunny High No 2 Sunny High No 3 Overcast High Yes 4 Rain High Yes 5 Rain Normal Yes 6 Rain Normal No 7 Overcast Normal Yes 8 Sunny High No 9 Sunny Normal Yes 10 Rain Normal Yes 11 Sunny Normal Yes 12 Overcast High Yes 13 Overcast Normal Yes 14 Rain High No
Sunny Overcast Rain
NormalHigh
Sunny Overcast Rain
NormalHigh
SPRZECZNOŚCI W DANYCH
Outlook Temp. Humid. Sport? Gen(Sport?)
1 Sunny Hot High No {No}
2 Sunny Hot High No {No}
3 Overcast Hot High Yes {Yes}
4 Rain Mild High Yes {No,Yes}
5 Rain Cold Normal Yes {No,Yes}
6 Rain Cold Normal No {No,Yes}
7 Overcast Cold Normal Yes {Yes}
8 Sunny Mild High No {No}
9 Sunny Cold Normal Yes {Yes}
10 Rain Mild Normal Yes {Yes}
11 Sunny Mild Normal Yes {Yes}
12 Overcast Mild High Yes {Yes}
13 Overcast Hot Normal Yes {Yes}
14 Rain Mild High No {No,Yes}
DECYZJA UOGÓLNIONA
Nowy atrybut decyzyjny grupujący oryginalne wartości decyzji tak, by otrzymana tablica była niesprzeczna
Tablica sprzeczna to taka, która zawiera obiekty
nierozróżnialne ze względu na wartości atrybutów,
jednak mające różne decyzje Redukt ma za zadanie rozróżniać pary
obiektów o różnych wartościach decyzji uogólnionej
ZBIORY PRZYBLIŻONE
Niech dany będzie zbiór obiektów U. Chcemy w nim wyróżnić pewien podzbiór X, jednak
jesteśmy w stanie podać jedynie:
– (X)lower : zbiór obiektów na pewno należących do X (dolna aproksymacja X)
– (X)upper : zbiór obiektów mogących należeć do X (górna aproksymacja X)
Zbiór określony za pomocą dolnej i górnej aproksymacji nazywamy przybliżonym
Outlook Humid. Sport?
1 Sunny High No 2 Sunny High No 3 Overcast High Yes 4 Rain High Yes 5 Rain Normal Yes 6 Rain Normal No 7 Overcast Normal Yes 8 Sunny High No 9 Sunny Normal Yes 10 Rain Normal Yes 11 Sunny Normal Yes 12 Overcast High Yes 13 Overcast Normal Yes 14 Rain High No
PRZYKŁAD – APROKSYMACJE
4,5,6,10,14
14 , 13 , 12 , 11 , 10 , 9 , 7 , 6 , 5 , 4 , 3
13 , 12 , 11 , 9 , 7 , 3
B
boundary B
upper B lower
X X X
Rozpatrzmy X =
{3,4,5,7,9,10,11,12,13}
jako zbiór:
„obiekty o decyzji Sport=Yes”
Przyjmijmy
B = {Outlook, Humid.}
Wtedy:
lowerB
lowerB
lowerBB
lower B
lower B
lower
Y X
Y X
Y X
Y X
X lowerB
U X
upperBU \ \
WŁASNOŚCI
Dla dowolnego podzbioru cech B oraz dowolnych podzbiorów obiektów X,Y:
Dla dowolnego podzbioru cech B oraz dowolnego podzbioru obiektów X:
TEORIA FUNKCJI PRZEKONAŃ
Zazwyczaj wagi prawdopodobieństwa
przypisywane są pojedynczym wartościom
W zastosowaniach operacja ta jest jednak często niemożliwa, bądź zbyt ryzykowna
Rozwiązaniem jest definiowanie wag jako przynależnych podzbiorom wartości
Sunny Overcast Rain
NormalHigh
Sunny Overcast Rain
NormalHigh
P(Sunny,High)=3/14 P(Sunny,Normal)=2/14 P(Overcast,High)=2/14 P(Overcast,Normal)=2/14 P(Rain,High)=2/14
P(Rain,Normal)=3/14
m({No})=3/14
m({Yes})=(2+2+2)/14 m({No,Yes})=(2+3)/14
PRZYKŁAD
1XV m X
Y X m Y X
Bel( )
YX m Y X
Pl( )
PODSTAWOWE DEFINICJE
Niech V oznacza zbiór wartości
Funkcją masy nazwiemy dowolne przyporządkowanie m:2V[0,1], takie że:
Funkcja przekonania:
Funkcja domniemania:
Outlook Temp. Humid. Sport? Gen(Sport?)
1 Sunny Hot High No {No}
2 Sunny Hot High No {No}
3 Overcast Hot High Yes {Yes}
4 Rain Mild High Yes {No,Yes}
5 Rain Cold Normal Yes {No,Yes}
6 Rain Cold Normal No {No,Yes}
7 Overcast Cold Normal Yes {Yes}
8 Sunny Mild High No {No}
9 Sunny Cold Normal Yes {Yes}
10 Rain Mild Normal Yes {Yes}
11 Sunny Mild Normal Yes {Yes}
12 Overcast Mild High Yes {Yes}
13 Overcast Hot Normal Yes {Yes}
14 Rain Mild High No {No,Yes}
INTEPRETACJA FUNKCJI WAG
Chcąc obliczyć wartość funkcji m(Y) dla
dowolnego podzbioru wartości Y,
zliczamy liczbę wierszy, dla
których decyzja uogólniona jest równa Y
Sunny Overcast Rain
NormalHigh
m({No})=3/14
m({Yes})=(2+2+2)/14 m({No,Yes})=(2+3)/14
FUNKCJE
PRZEKONAŃ A APROKSYMACJE
Bel({Yes}) = m({Yes}) = 6/14
Pl({Yes}) = m({Yes}) + m({No,Yes}) = 11/14
Bel({Yes}) = | Dolna Aproksymacja {Yes} | / | U | Pl({Yes}) = | Górna Aproksymacja {Yes} | / | U |
X
lowerB X X
upperB Y P Y Pl Y
Bel
B
BPRAWA APROKSYMACJI
Dla dowolnego podzbioru cech B oraz dowolnego podzbioru obiektów X:
Dla dowolnego podzbioru cech B oraz dowolnego podzbioru wartości Y:
Outlook Humid. Sport?
1 Sunny High No 2 Sunny High No 3 Overcast High Yes 4 Rain High Yes 5 Rain Normal Yes 6 Rain Normal No 7 Overcast Normal Yes 8 Sunny High No 9 Sunny Normal Yes 10 Rain Normal Yes 11 Sunny Normal Yes 12 Overcast High Yes 13 Overcast Normal Yes 14 Rain High No
PRZYKŁAD
11 14
14 , 13 , 12 , 11 , 10 , 9 , 7 , 6 , 5 , 4 , 3
14 6
13 , 12 , 11 , 9 , 7 , 3
Y Pl
X
Y Bel
X
B B upper B
B lower
Rozpatrzmy X =
{3,4,5,7,9,10,11,12,13}
odpowiadający zbiorowi wartości Y = {Yes}
Przyjmijmy
B = {Outlook, Humid.}
Wtedy: