KNW- Wykład 5
description
Transcript of KNW- Wykład 5
KNW- Wykład 5
Zbiory przybliżone i Zbiory przybliżone i Funkcje przekonańFunkcje 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
Norm
alH
igh
Sunny Overcast Rain
Norm
alH
igh
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 UOGÓLNIONANowy 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
14,10,6,5,4
14,13,12,11,10,9,7,6,5,4,3
13,12,11,9,7,3
Bboundary
Bupper
Blower
X
X
X
Rozpatrzmy X = {3,4,5,7,9,10,11,12,13}
jako zbiór:„obiekty o decyzji Sport=Yes”
PrzyjmijmyB = {Outlook, Humid.}
Wtedy:
B
lowerBlower
Blower
Blower
Blower
Blower
YXYX
YXYX
Bupper
Blower XUXU \\
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
Norm
alH
igh
Sunny Overcast Rain
Norm
alH
igh
P(Sunny,High)=3/14P(Sunny,Normal)=2/14P(Overcast,High)=2/14P(Overcast,Normal)=2/14P(Rain,High)=2/14P(Rain,Normal)=3/14
m({No})=3/14m({Yes})=(2+2+2)/14m({No,Yes})=(2+3)/14
PRZYKŁAD
1 VX Xm
XY YmXBel )(
XY YmXPl )(
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
Norm
alH
igh
m({No})=3/14m({Yes})=(2+2+2)/14m({No,Yes})=(2+3)/14
FUNKCJE PRZEKONAŃ A APROKSYMACJE
Bel({Yes}) = m({Yes}) = 6/14Pl({Yes}) = m({Yes}) + m({No,Yes}) = 11/14
Bel({Yes}) = | Dolna Aproksymacja {Yes} | / | U |Pl({Yes}) = | Górna Aproksymacja {Yes} | / | U |
Bupper
Blower XXX
YPlYPYBel BB
PRAWA 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
1411
14,13,12,11,10,9,7,6,5,4,3
146
13,12,11,9,7,3
YPl
X
YBel
X
B
Bupper
B
Blower
Rozpatrzmy X = {3,4,5,7,9,10,11,12,13}
odpowiadający zbiorowi wartości Y = {Yes}
PrzyjmijmyB = {Outlook, Humid.}
Wtedy: