System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy



Podobne dokumenty
Systemy ekspertowe. Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych. Część trzecia

Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3

B jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;

System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy

Teoretyczne podstawy zbiorów przybliżonych

Systemy ekspertowe : Tablice decyzyjne

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY PRZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH

Wprowadzenie do zbiorów przybliżonych

Sztuczna inteligencja

Sztuczna Inteligencja Projekt

Zbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko

Sztuczna Inteligencja Projekt

Tablicowa reprezentacja danych

Systemy informacyjne nad grafami ontologicznymi

Zbiory przybliżone w obszarze systemów ekspertowych

Systemy ekspertowe. Generowanie reguł minimalnych. Część czwarta. Autor Roman Simiński.

Metody numeryczne. dr Artur Woike. Ćwiczenia nr 2. Rozwiązywanie równań nieliniowych metody połowienia, regula falsi i siecznych.

Wnioskowanie Boolowskie i teoria zbiorów przybli»onych

Zbiory przybliżone wnioskowanie przybliżone

Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 2

Metody numeryczne. Ilorazy różnicowe. dr Artur Woike. Wzory interpolacyjne Newtona i metoda Aitkena.

Teoria liczb. Wykład nr 9: Przybliżanie liczb rzeczywistych. Ułamki łańcuchowe (cz.1) Semestr letni 2018/2019

Aproksymacja diofantyczna

Systemy uczące się wykład 2

Metody systemowe i decyzyjne w informatyce

Iteracyjne rozwiązywanie równań

Teoria automatów i języków formalnych. Określenie relacji

SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

PRACA DYPLOMOWA MAGISTERSKA. Analiza danych z zastosowaniem teorii zbiorów przybliżonych.

Podstawy OpenCL część 2

Języki programowania zasady ich tworzenia

Wprowadzenie: języki, symbole, alfabety, łańcuchy Języki formalne i automaty. Literatura

Elementy metod numerycznych

Jacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa

Pochodne funkcji wraz z zastosowaniami - teoria

Lab 10. Funkcje w argumentach funkcji metoda Newtona. Synonimy nazw typów danych. Struktury. Tablice struktur.

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne

Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak

domykanie relacji, relacja równoważności, rozkłady zbiorów

Podstawy Sztucznej Inteligencji (PSZT)

Metoda Tablic Semantycznych

Logika dla socjologów Część 3: Elementy teorii zbiorów i relacji

Wprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE

Dodawanie, edycja i usuwanie zbioru kolekcji

2. ZASTOSOWANIA POCHODNYCH. (a) f(x) = ln 3 x ln x, (b) f(x) = e2x x 2 2.

Lista zadań - Relacje

1 Równania nieliniowe

Metody numeryczne Wykład 7

Sztuczna inteligencja: zbiory rozmyte

Indukowane Reguły Decyzyjne I. Wykład 3

Scenariusz lekcyjny Zadania typu maturalnego: procenty, przedziały, wartość bezwzględna, błędy przybliżeń, logarytmy. Scenariusz lekcyjny

Inteligentne systemy wspomagania decyzji oparte na wiedzy odkrytej z danych. Roman Słowiński

SYLABUS DOTYCZY CYKLU KSZTAŁCENIA realizacja w roku akademickim 2016/2017

Podstawy logiki i teorii mnogości Informatyka, I rok. Semestr letni 2013/14. Tomasz Połacik

Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY

Programowanie celowe #1

1 Zbiory. 1.1 Kiedy {a} = {b, c}? (tzn. podać warunki na a, b i c) 1.2 Udowodnić, że A {A} A =.

Definicja: alfabetem. słowem długością słowa

1 Działania na zbiorach

LOGIKA I TEORIA ZBIORÓW

Wstęp do programowania INP001213Wcl rok akademicki 2018/19 semestr zimowy. Wykład 5. Karol Tarnowski A-1 p.

Symbol, alfabet, łańcuch

Zad. 3: Układ równań liniowych

ALGORYTMY INDUKCJI REGUŁ DECYZYJNYCH W ODKRYWANIU WIEDZY

Semantyka rachunku predykatów

ĆWICZENIE A. Poniżej podano informacje o liczbie sprzedanych biletów na. Dokument pochodzi ze strony

Analiza ankiet badawczych przeprowadzonych wśród studentów w Polsce

Metoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.

Definicja obiektowego modelu danych: struktura i zachowanie

1 Grupy. 1.1 Grupy. 1.2 Podgrupy. 1.3 Dzielniki normalne. 1.4 Homomorfizmy

Wymagania edukacyjne na poszczególne oceny branżowa szkoła I stopnia klasa 1 po gimnazjum

Rozwiązywanie równań nieliniowych

Zad.3. Jakub Trojgo i Jakub Wieczorek. 14 grudnia 2013

Analiza ankiet badawczych przeprowadzonych wśród nauczycieli akademickich w Polsce

JĘZYKIFORMALNE IMETODYKOMPILACJI

Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY

Z Wikipedii, wolnej encyklopedii.

Reguły decyzyjne, algorytm AQ i CN2. Reguły asocjacyjne, algorytm Apriori.

Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera

Funkcje: wielomianowa, wykładnicza, logarytmiczna wykład 2

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

Podstawy Programowania Obiektowego

ELEMENTY ANALIZY NUMERYCZNEJ ELEMENTY ANALIZY NUMERYCZNEJ. Egzamin pisemny zestaw 1 24 czerwca 2019 roku

1 Wstęp do modelu relacyjnego

R n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} },

1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje. Definicja 1 Funkcję postaci f. nazwiemy n-argumentową funkcją boolowską.

Przykład eksploracji danych o naturze statystycznej Próba 1 wartości zmiennej losowej odległość

Dlaczego nie wystarczają liczby wymierne

Statystyka opisowa. Wykład I. Elementy statystyki opisowej

Treści programowe. Matematyka. Literatura. Warunki zaliczenia. Funkcje elementarne. Katarzyna Trąbka-Więcław

Paweł Kurzawa, Delfina Kongo

Macierze - obliczanie wyznacznika macierzy z użyciem permutacji

Relacje. 1 Iloczyn kartezjański. 2 Własności relacji

Zaawansowane metody numeryczne

JĘZYKI FORMALNE I METODY KOMPILACJI

Wykłady z dydaktyki matematyki (klasy IV-VIII) III rok matematyki semestr zimowy 2017/2018 ćwiczenia i wykład nr 6

Przykład: Σ = {0, 1} Σ - zbiór wszystkich skończonych ciagów binarnych. L 1 = {0, 00, 000,...,1, 11, 111,... } L 2 = {01, 1010, 001, 11}

Relacje i relacje równoważności. Materiały pomocnicze do wykładu. przedmiot: Matematyka Dyskretna 1 wykładowca: dr Magdalena Kacprzak

Transkrypt:

System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej

System informacyjny System informacyjny SI zdefiniowany jest jako czwórka: SI = (U, A, V, f) gdzie: U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów. Zbiór V a jest dziedziną atrybutu a: a A, V = a A V a Definiuje się również funkcję informacyjną. f: U A V

System informacyjny System informacyjny SI zdefiniowany jest jako czwórka: SI = (U, A, V, f) gdzie: U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów. Zbiór V a jest dziedziną atrybutu a: a A, V = a A V a Definiuje się również funkcję informacyjną. f: U A V System decyzyjny natomiast różni się tym, że A składa się z atrybutów warunkowych oraz atrybutów decyzyjnych.

Przykładowy SD

Ćwiczenie 1. Wyróżnij klasy decyzyjne 2. Wyindukuj wszystkie reguły decyzyjne 3. Dokonaj formalnej definicji zbiorów z definicji SD 4. Jaka jest odpowiedź: 1. f(1,pogoda) 2. f(3,nastrój) 3. f(6,stan kasy)

Relacja nierozróżnialności Niech SI= (U, A) będzie systemem informacyjnym i niech B A. W zbiorze U definiujemy dwuargumentową relację IND(B), generowaną przez zbiór B, zwaną relacją nierozróżnialności (ang. indescernibility relation): IND (B) = {(x, y) U U : a B, a(x) = a(y)} gdzie znak = między a(x) i a(y) należy rozumieć w ten sposób, że dla obiektów x i y, należących do U, atrybut a przyjmuje taką samą wartość.

Ćwiczenie 1. Które z obiektów są nierozróżnialne w systemie? 2. Które są nierozróżnialne ze względu na atrybut Pogoda? 3. Które są nierozróżnialne ze względu na atrybuty Stan kasy oraz Nastrój? Zapisz te obserwacje formalnie. Jakie są właściwości relacji nierozróżnialności?

Klasy abstrakcji Klasy abstrakcji U / IND(B) relacji nierozróżnialności IND(B) to zbiór zbiorów takich obiektów, które są nierozróżnialne ze względu na atrybuty ze zbioru B. Definicja: Przykład: U/IND(p,k) = {(1), (2,6), (3), (4,5)}

Ćwiczenie 1. Wyznacz wszystkie klasy abstrakcji dla pojedynczych atrybutów (łącznie z decyzyjnym) oraz wszystkich par

Aproksymacja zbiorów Powinniście znać definicje: 1. Niespójność danych (atrybutów warunkowych, atrybutów decyzyjnych) 2. Dolne i górne przybliżenie 3. Brzeg zbioru 4. Zbiór dokładny 5. Zbiór przybliżony 6. Współczynnik dokładności przybliżenia 7. Obszar pozytywny, obszar negatywny

Zbiory dokładne i przybliżone Załóżmy zbiory zgodne z klasami decyzyjnymi: X1={1,5}, X2={2,3}, X3={4,6} oraz zbiory atrybutów: A1={p}, A2={k,n,p} Wtedy: U/IND SI (A1) = {(1,4,5),(2,3,6)} oraz U/IND SI (A2) = {(1), (2,6), (3), (4), (5)} X1: zbiór przybliżony względem A1 oraz dokładny względem A2 X2: zbiór przybliżony względem A1 oraz przybliżony względem A2 X3: zbiór przybliżony względem A1 oraz przybliżony względem A2

Ćwiczenie IdOsoby Dyplom Doświadczenie Angielski Referencje Decyzja 1 Mgr Średnie Certyfikat Pozytywne Przyjęty 2 Dr Odpowiednie Certyfikat Negatywne Przyjęty 3 Dr Odpowiednie Certyfikat Pozytywne Przyjęty 4 Mgr Odpowiednie Brak Pozytywne Przyjęty 5 Mgr Niskie Certyfikat Negatywne Odrzucony 6 Matura Niskie Certyfikat Pozytywne Odrzucony 7 Dr Średnie Certyfikat Negatywne Odrzucony 8 Matura Niskie Brak Pozytywne Odrzucony 1. Określ które osoby można zaliczyć do zbiorów przybliżonych: 1. Bez wątpienia przyjętych do pracy 2. Być może przyjętych 3. Na pewno nie przyjętych 4. Być może odrzuconych posługując się kolejno zbiorami cech: B 1 ={Dyplom, Angielski}, B 2 ={Doświadczenie, Angielski}, B 3 ={Dyplom, Referencje}, B 4 ={Angielski, Referencje, Dyplom}

Dolne i górne przybliżenie Definicje: BX = x U I SI,B x X BX = x U I SI,B x X BN B X = BX BX Przykład: Klasy rozróżnialności dla całego zbioru atr. warunk: U/IND(C) = {(1),(2,6),(3),(4),(5) Mamy trzy zbiory obiektów ze względu na atr. dec.: X 1 ={1,5} ; X 2 ={2,3}; X 3 ={4,6} BX 1 = 1,5 ; BX 1 = 1,5 BX 2 = 3 ; BX 2 = 2,3,6 BX 3 = 4 ; BX 3 = 2,4,6

Dolne i górne przybliżenie: dokładność Definicje: γ B X γ B X = BX U = BX U Przykład: γ B X 2 = BX 2 U γ B X 2 = BX 2 U = 1 6 = 3 6

Ćwiczenie IdOsoby Dyplom Doświadczenie Angielski Referencje Decyzja 1 Mgr Średnie Certyfikat Pozytywne Przyjęty 2 Dr Odpowiednie Certyfikat Negatywne Przyjęty 3 Dr Odpowiednie Certyfikat Pozytywne Przyjęty 4 Mgr Odpowiednie Brak Pozytywne Przyjęty 5 Mgr Niskie Certyfikat Negatywne Odrzucony 6 Matura Niskie Certyfikat Pozytywne Odrzucony 7 Dr Średnie Certyfikat Negatywne Odrzucony 8 Matura Niskie Brak Pozytywne Odrzucony 1. Wylicz dolne i górne przybliżenie oraz brzeg zbioru względem wszystkich atrybutów warunkowych. Wylicz dokładność tych przybliżeń.