Необходимо отметить, что в алгоритмах извлечения прецедентов для учета коэффициентов важности параметров объекта может выполняться предварительный этапа (Шаг 0) корректировки значений границ диапазонов параметров и самих параметров, что исключает необходимость в последующем учете коэффициентов важности при извлечении прецедентов.
Глава 3 Программная реализация базовых модулей поиска решения на базе ИНС для экспертных систем, основанных на прецедентах.
Интерфейс «человек — компьютер» включает такие аспекты вычислительной системы, которые касаются непосредственно пользователя.
Это важный фактор, обеспечивающий успешную работу вычислительной системы, так как физические и психологические характеристики интерфейса оказывают существенное влияние на производительность пользователя.
Для снижения стрессовых ситуаций система должна соответствовать как физическому состоянию пользователя, так и его пониманию задачи. Это требование усложняется тем, что с большинством систем работает много пользователей, и индивидуальные требования пользователей изменяются по мере их знакомства с системой.
Интерфейс «человек — компьютер» обеспечивает связь между пользователем и процессом, выполняющим некоторые задачи. С точки зрения программного обеспечения в состав интерфейса входят набор процессов ввода-вывода и процесс диалога.
Процесс ввода-вывода служит для принятия от пользователя и передачи ему данных через различные физические устройства.
Процесс диалога — это механизм обмена информацией, который можно рассматривать как оболочку, включающую все входящие в систему процессы по выполнению определенных заданий.
Требования к диалогу:
краткость;
гибкость;
последовательность;
естественность;
поддержка пользователя.
Для удобства и простоты работы с программой при разработке пользовательского интерфейса в первую очередь решалась задача создания удобного и понятного для пользователя информационного рабочего поля. Количество указаний системе для получения необходимого результата или запроса пользователя было сведено к минимуму.
Программа, реализующая алгоритмы IDTUV и GIRS, разработана в среде программирования Delphi 8 с использованием BDE для доступа к базам данных и выполняет следующие основные функции:
на основе обучающей выборки строит классификационную модель (системы решающих правил);
по построенным решающим правилам производит распознавание (классификацию) объектов.
Далее изложим результаты экспериментов, проведенных на следующих четырех группах данных из известной коллекции тестовых наборов данных кафедры информатики и вычислительной техники Калифорнийского университета UCI Machine Learning Repository [10]:
1. Данные «задач монахов» (Monk's problems).
2. Медицинские данные, относящиеся к диагностике сердечных заболеваний.
3. Репозиторий данных проекта StatLog: диабет и австралийский кредит.
4. Другие наборы данных (из области биологии и судебно-следственной практики).
3.
2. Результаты Отладки, тестирование и реализация демонстрационного примера Сравнение точности классификации для ряда методов обобщения представлено в таблице 1. Классификация проводилась алгоритмами ID3, C4.5, CN2, CART5, GIRS, IDTUV при отсутствии «шума».
Таблица 1. Экспериментальные результаты исследования точности классификации на данных без «шума»
Набор данных Точность классификации, % ID3 C4.5 CN2 CART5 IDTUV GIRS Glass 62.79 65.89 66.01 44.86 67.62 70.10 Heart 77.78 77.04 77.95 80.00 84.37 86.37 Diabetes 66.23 70.84 71.10 74.09 76.38 81.00 Monk-2 65.00 69.91 69.00 63.20 78.94 83.10 Australian 78.26 85.36 79.60 85.51 80.59 88.30 Monk-1 81.25 75.70 100.
00 83.34 79.65 100 Adult 83.53 84.46 84.00 81.59 85.69 — Monk-3 90.28 97.20 89.00 97.22 95.29 94.44 Mushroom 100.
00 100.
00 100.
00 100.
00 100 100 Soybean 100.
00 95.56 91.43 98.00 100 100 Среднее 83.28 84.19 85.00 83.31 86.95 89.97
Результаты классификации показали, что при отсутствии шума алгоритм IDTUV работает не хуже, чем остальные перечисленные алгоритмы, но наилучший результат показал алгоритм GIRS. Поскольку алгоритмы ID3, C4.5, CN2, CART5 не обрабатывают примеры с неизвестными значениями, на этом этапе внесение шума не производилось.
6.
2. Проверка влияния количества ближайших соседей на точность классификации при обучении на выборке с шумом Цель экспериментов состояла в проверке влияния параметра «количество ближайших соседей», используемого алгоритмами IDTUV и GIRS в процессе построения дерева решений и решающих правил для зашумленной обучающей выборки, на точность классификации тестовых примеров.
Таблица 2. Результаты экспериментов по исследованию влияния количества ближайших соседей на точность классификации для алгоритма IDTUV
Наборы данных Количество ближайших соседей Точность классификации, % Без шума Шум 5% Шум 10% Шум 20% Шум 30% Шум 40% Среднее Heart
89 84.37 83.57
84.53
84.43
84.42
84.42 83.37
83.68
83.75
83.75
83.75 83.28
82.37
82.84
82.88
82.88 82.45
82.18
82.59
82.36
82.36 82.16
81.11
81.90
82.14
82.14 82.97
82.77
83.10
83.11
83.11 Australian
299 80.59 80.72
81.44
81.72
82.15
82.15 80.92
81.40
81.21
82.62
82.62 81.06
82.46
82.36
82.83
82.83 82.22
82.18
82.76
83.10
83.10 82.35
81.64
83.28
83.25
83.25 81.45
81.82
82.26
82.79
82.79 Monks-1
33 79.65 82.37
84.42
83.44
81.23 89.49
85.25
87.78
82.13 86.69
89.87
91.70
91.06 86.29
89.57
90.71
90.05 85.07
82.37
87.97
88.96 85.98
86.30
88.32
86.69 Monks-3
33 95.29 93.95
94.44
94.83
95.14 93.09
93.02
94.80
94.79 94.75
94.18
95.24
95.37 92.04
92.80
94.15
94.67 93.67
94.44
94.71
94.77 93.50
93.78
94.75
94.95 Tic-Tac-Toe
77 90.50 90.55
90.63
90.90
90.83
91.18 89.07
90.19
90.40
90.59
90.55 87.99
89.47
89.79
90.46
90.52 86.88
88.63
89.39
88.68
89.02 86.19
87.37
88.56
88.84
88.88 88.14
89.26
89.81
89.88
90.03
Использовалась модель шума «отсутствие значения признака». Для внесения искажений был выбран наиболее информативный признак таблицы, который размещается в корне дерева решений. Очевидно, изменения значений именно такого признака способны наиболее существенно повлиять на результаты работы алгоритмов обобщения и классификации.
Были рассмотрены ситуации наличия шума в 5%, 10%, 20%, 30% и 40% по выбранному признаку и проанализировано влияние «количества ближайших соседей» на точность классификации для каждого из указанных уровней шума. Чтобы снизить случайность внесения шума в выборку, проводилось по три серии экспериментов для каждого уровня шума. В каждой такой серии шум заново вносился в исходную обучающую выборку, затем с использованием каждого из выбранных значений параметра «количество ближайших соседей» производилось восстановление неизвестных значений по методу ближайшего соседа и строилось дерево решений, на основе которого затем проводилась классификация тестовых примеров. Каждая серия экспериментов проводилась в соответствии с методами 10-кратной перекрестной проверки или бутстрепа. Для каждого уровня шума и количества ближайших соседей в качестве оценки точности классификации взято среднее значение по трем сериям экспериментов.
Как видно из проведенных экспериментов для алгоритма IDTUV (см. табл.
2), для разных наборов данных характерны самые различные зависимости точности классификации от количества «ближайших соседей». Так для наборов данных «Австралийский кредит», «третья задача монахов» и «игра в крестики-нолики» предпочтительным является большое значение этого параметра; для наборов данных «диагностика сердечных заболеваний» и «первая задача монахов» не выявлено практически никакой зависимости точности классификации от исследуемого параметра.
Таблица 3. Результаты экспериментов по исследованию влияния количества ближайших соседей на точность классификации для алгоритма GIRS
Наборы данных Количество ближайших соседей Точность классификации, % Без шума Шум 5% Шум 10% Шум 20% Шум 30% Шум 40% Среднее Heart
89 86.37 86.28
85.58
85.75
86.28
86.06 86.16
85.40
86.15
86.36
86.36 86.26
85.74
85.93
86.23
85.60 84.39
84.39
83.78
84.51
83.84 83.72
84.79
84.16
83.15
83.43 85.36
85.18
85.15
85.31
85.06 Australian
299 88.30 88.64
88.53
88.20
88.40
88.40 88.12
87.67
87.66
87.62
87.62 88.18
88.44
88.33
88.29
88.29 88.09
88.31
87.88
87.89
87.89 87.69
87.42
87.29
87.11
87.11 88.14
88.07
87.87
87.86
87.86 Monks-1
33 100.
0 100.
100.
100.
100.
0 98.15
99.54
99.23
100.
0 95.75
96.83
98.3
99.07 96.3
94.52
96.18
98.61 95.76
92.82
97.53
97.99 97.19
96.74
98.25
99.13 Monks-3
33 94.44 94.44
95.06
95.06
95.06 93.90
95.14
94.06
94.29 94.48
94.60
94.71
94.60 94.48
94.83
93.90
94.29 88.27
89.58
90.58
93.05 93.11
93.84
93.66
94.26 Tic-Tac-Toe
77 85.07 83.87
84.17
84.74
85.03
84.14 83.40
84.80
84.15
84.56
84.86 82.00
83.29
84.33
83.42
82.55 80.84
84.25
83.92
82.76
83.36 80.42
83.35
82.85
82.99
82.93 82.11
83.97
84.00
83.75
83.57
Как видно из экспериментов, проведенных для алгоритма GIRS (см. табл.
3), для набора данных «игра в крестики-нолики» наиболее эффективным является использование среднего количества «ближайших соседей» (т.е. 5−9); для наборов данных первой и третьей «задач монахов» предпочтительным является большое значения этого параметра; для наборов данных «диагностика сердечных заболеваний» и «австралийский кредит» не замечено практически никакой зависимости точности классификации от исследуемого параметра. Отметим, что ни для одного из выбранных для эксперимента наборов данных не было обнаружено, что использование малого количества «ближайших соседей» является наиболее эффективным.
Заключение
Программы, присутствующие в операционной системе Android, обладают хорошей функциональностью, на современном уровне.
Программы для Android вполне качественные, выбор широкий. Есть весь необходимый софт «на каждый день»
Основным резальтатом работы является создание программного обеспечения, которое позволяеть производить основные операции с файлами т. е cоздание, копирование, перемещение, удаление файлов и папок с поддержкой FTP-Клиент и русского языка. Созданную программу можно использовать для работы c файлами и папками.
Достаточно удобный файловый менеджер, который пригодится всем пользователям телефонов с Android операционным системам. Некоторые функции (ftp-клиент) делают его использование оправданным. За время тестирования никаких сбоев в работе программы не отмечалось.
Недостатком программы является отсутствие возможности передачи файлов на другие устройства при помощи протоколов Bluetooth/IrDA.
[1] Вагин В. Н. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: Физ
МатЛит, 2004. 704 с.
[2] Quinlan J.R. Induction of Decision Trees// Machine Learning, Vol.1, 2006, 81−106
[3] Quinlan J.R. Improved Use of Continuous Attributes in C 4.5//Journal of Artifical Intelligence Reseach, Vol. 4, 2006, 77−90
[4] J. Bazan, A Comparison of Dynamic and Non-dynamic Rough Set Methods for Extracting Laws from Decision Tables//Rough Sets in Knowledge Discovery 1.: Methodology and Application/ Ed. by L. Polkowski, A.Skowron. Heidelberg: Phisica-Verlag, 2008, 321−365.
[ 5] H. S. N guyen, S.
H. N guyen. D iscretization Methods in Data Mining// Rough Sets in Knowledge Discovery 1: Methodology and Application/ Ed. by L. Polkowski, A.Skowron.
Heidelberg: Phisica-Verlag, 2008, 451−482.
[6] V.N. Vagin, A.V. Kulikov, M.V. Fomina. The Development of the Generalization Algorithm Based on the Rough Set Theory./ Intern. Journal «Information Theories & Applications», Vol.13, Nu. 3, 2006, 255−262.
[7] Kulikov A., Fomina M. The Development of Concept Generalization Algorithm Using Rough Set Approach / Knowledge-Based Software Engineering: Proceedings of the Sixth Joint Conference on Knowledge-Based Software Engineering (JCKBSE 2004) // V. Stefanuk and K. Kajiri (eds). — IOS Press, 2004. — P.261−268.
[8] V. Mookerjee, M. Mannino, R. Gilson, Improving the Performance Stability of Inductive Expert Systems under Input Noise.// Information Systems Research. 2005, Vol.6, Nu.4, 328−356.
[9] Бериша А. М., Вагин В. Н., Куликов А. В., Фомина М. В. Методы обнаружения знаний в «зашумленных» базах данных // Известия РАН. Теория и системы управления. — 2005. — № 6. — С.143−158.
[10] Merz C.J., Murphy P.M. UCI Repository of Machine Learning Datasets. — Information and Computer Science University of California, Irvine, CA, 1998.
Электроные ресурсы
Lubarsky A. Сложные графики и диаграммы в Deplhi Часть третья — HttpHandler/System.Drawing.
http://www.ibm.com/developerworks/ru/edu/os-eclipse-android/section7.html
