„Klasszifikáció” változatai közötti eltérés

A lap jelenlegi, 2008. február 1., 12:57-kori változata

Angol megnevezés: Classification

Történeti modul

• 1984-1990:

1. Clancey:Heurisztikus klasszifikáció,
2. Breuker:Heurisztikus klasszifikáció,
3. Chandrasekaran:Hierarchikus klasszifikáció,
4. McDermott:Heurisztikus klasszifikáció-Tulajdonságlefedő klasszifikáció,
5. Puppe:Klasszifikáció

Elemi problémák esetén az attribútumok konkrét értékeinek ismeretében a legjobb egyetlen egy megoldás kiválasztása a lehetséges megoldások közül[1]

• 1996:

A klasszifikáló rendszer egy olyan komplex szerkezet, mely a genetikai programozás elemeit a „mesterséges intelligencia” hagyományos komponenseivel köti össze. Az osztályozó-rendszer a környezetével detektorok és effektorok által van kapcsolatban. A rendszer belsõ felépítése: 1. egy hírlistából, 2. egy HA/AKKOR-szabálylistából, 3. egy visszacsatolási mechanizmusból-, 4. a ”vödörbrigádból”-, 5. egy genetikai algoritmusból és 6. egy eredményfüggvénybõl áll (Holland 1992). Ugyanúgy, mint a genetikai algoritmusoknál, az osztályozó/klasszifikáló-rendszerben is a szabályokat megadott hosszúságú szimbólum-sorozatok formájában állítják elõ. Egy klasszifikáló-rendszer problémamegoldó képességét a szabályok tartalmazzák. Ezen szabályok ”akkor”-része egy olyan hír, melyet akkor küldenek el, ha a ”ha”-részét a szabályoknak a hírlistában teljesítették. A legtöbb, szabályokból kiinduló hír más szabályokat aktivál és csak kevés szabály készteti az effektorokat cselekvésre.Az osztályozó/klasszifikáló rendszerek kétféle módon tanulhatnak. Elsõként a rendszer egymással versengõ szabályokat tartalmaz azonos ”ha”-részekkel, de különbözõ ”akkor”-részekkel. Ha a ”ha”-részét a szabályoknak teljesítették, akkor el kell dönteni, melyik szabálynak szabad hírei ”akkor”-részét elküldenie. Ez a döntés a szabályok súlya alapján történik, ahol a súly egy belsõ számítási értéknek felel meg, mely a piacon a szabály versenyképességét a hírek küldési jogával kapcsolatosan fejezi ki. [2]

• Klasszifikáció:

Klasszikus értelemben a lehetséges megoldások közül a legjobb, egyetlen egy megoldás kiválasztását értjük [3]

• A klasszifikáció fogalma alatt

klasszikus értelemben - a lehetséges megoldások közül a legjobb egyetlen egy megoldás kiválasztását értjük. Pohlmann nyomán a klasszifikáció folyamata nem más, minthogy a probléma jellemzõihez különbözõ hozzárendelési elvek segítségével megoldási alternatívákat rendelünk - amelyek közül kiválasztjuk a legjobbnak tûnõt. A hozzárendelési elvek a következõk lehetnek:

• biztos tudás,
• tapasztalat,
• statisztika,
• esetgyûjtemény,
• modell,
• tulajdonság-lefedés, illetve
• neurális/abduktív hozzárendelés.

Ezek az elvek meghatározzák a klasszifikáció altípusait.:

1. Biztos klasszifikáció
2. Heurisztikus (tapasztalati) klasszfikáció
3. Statisztikai klasszifikáció
4. Eset-alapú hasonlósági klasszifikáció
5. Modell-alapú vagy funkcionális klasszifikáció
6. Tulajdonság-lefedõ klasszifikáció
7. Neurális vagy abduktív klasszifikáció

[4]

Ontológiai modul

"ez egy " kapcsolattipus:

• Biztos klasszifikálás (altipus)
• heurisztikus (jelző)
• neurális (jelzőÖ

"van neki,része a cimszónak" kapcsolattipus:

• problémahalmaz
• megoldáshalmaz
• hozzárendelési elvek

"a cimszó része valaminek ( a cimszonak egyenrangu fogalmak ) " kapcsolattipus:

• Összefüggés keresés (klasszifikáció, konstrukció, ... )

Ellentmondások és vitatott kijelentések modulja

===Szerkesztői javaslat:=== Mi a különbség az indukció, a szakértői rendszer, a bechmarking, a CBR, az abdukció és a klasszifikáció között?

Válasz a szerkeztői javaslatra:

• Az eddig ismertetett három modellcsoport a klasszikus modellek tipizálását jelenti. A következőkben olyan, a hibridizáció során fontos modulok kerülnek bemutatásra, melyek a statisztikai megközelítés helyett a mesterséges intelligencia kutatás eredményeire alapoznak. A hasonlóságelemzés a szakirodalomban több, önállónak tűnő területet is érint (benchmarking, eset-alapú következtetés, azaz CBR, induktív szakértői rendszerek, JOKER, klasszifikáció, abdukció, fuzzy rendszerek, stb.). A hasonlóság elemzésekor abból indulunk ki, hogy strukturált adatmodellek (pl. objektum-attribútum mátrixok) alapján egymástól tetszőlegesen távol objektumok közötti viszonyok vizsgálhatók ezek többé-kevésbé standardizált (azonos definíció szerint megállapított) attribútumainak értékei alapján. Így képes maga az ember is a történelem legkülönbözőbb választásairól rendelkezésre álló adatokból egy jelenleg folyó választás eredményére vonatkozó becsléseket tenni, ill. egy ember-orvos egy állatot meggyógyítani, egy alkotmányjogász egy vitás kérdést megítélni, egy technikus tetszőleges szerkezetek működési logikájára, s ez által hibájára rájönni, etc. A hasonlósági modellek első lépésként a strukturált adatok és a hasonlóság mértékét megadó hasonlósági függvény alapján kiválasztják egy következményeit tekintve ismeretlen helyzet ismert következményű rokonait. Második lépésként a leghasonlóbbak közötti eltérések alapján módosítják az ismert következményeket, s így igyekeznek megfelelni a valós folyamatoknak. E rendszerek tehát egyrészt attól válnak konzisztenssé, hogy a valóság már ismert állapotkombinációt adják meg elsődleges eredményként. Másrészt attól konzisztensek, ha a leghasonlóbb helyzetek eltéréseiből következő módosításokat bizonyos egyidejűleg betartandó restrikciók mellett végzik el. Ez utóbbi elvárás lényegében azonos az ökonometriai modellek elvárásaival. A hasonlósági modellek az absztrakció bármely szintjén bevethetők, s jól képesek integrálni a szakértői véleményeket. A hasonlósági modellek belső szerkezete lehet kézi vezérléssel kialakított (pl. CBR), de az alapadatokra támaszkodva generált is (pl. induktív szakértői rendszerek, Joker). Alkalmazási példaként a tőzsdei előrejelzések, marketing-akciók tervezése hozható fel.

[5]

Definíciós modul

• Klasszifikáció fogalom alatt olyan kizárólagos, egyetlen jó megoldást értünk,amelyet az összes számbavehető alternatíva közül választunk ki. Pohlmann szerint ez a folyamat nem más,mint a probléma jellemzőihez különböző hozzárendelési elvek segítségével megoldási alternatívákat rendelünk.

Tesztkérdések modul

• Igaz-e, hogy a Klasszifikáció az több megoldás kiválasztását jelenti melyek nem teljesen de 90% ban meg felelnek a tökéletes megoldásnak? (Hamis)
• Igaz-e, hogy a WAM nem a funkcionális klasszifikáció stratégiáját alkalmazza a probléma megoldás során. (IGAZ)
• Igaz-e, hogy a klasszifikációhoz tartozó hozzárendelési elv csak a statisztika és a tulajdonság-lefedés lehet. (HAMIS,mert nem csak az lehet.)
• Igaz-e, hogy a heuisztikus klasszifikáció az emberi problémamegoldás tipikus formája. (IGAZ)
• Igaz-e, hogy az klasszifikáló rendszer egy olyan komplex szerkezet, mely az genetikai programozás elemeit a „mesterséges intelligencia” hagyományos komponenseivel köti össze. (IGAZ)
• Igaz-e, hogy a WAM a régi generációs eljárásokon belül a generátor-modellek közé sorolt módszer, amely az elõrejelzési feladatok megoldásában az elérhetõ maximális pontosságot közelíti. (HAMIS,mert az új generációs eljárásokon belül a generátor-modellek közé sorolt módszer.)

Ajánlott irodalmak modulja

• Dr.Pitlik László: Informatikai Rendszerterv a Megyei Területfejlesztés támogatására[6]

• SZIE egyetemi jegyzet gyűjtemény[7]

• Monori Erika: Információs logisztikai esettanulmány a kombinatorikai prognosztika módszertanának bázisán [8]