第04讲智能决策理论与方法-1汇编.ppt

决策理论与方法 ——智能决策理论与方法(1) 合肥工业大学管理学院 * 不确定性决策 不确定性决策：指难以获得各种状态发生的概率，甚至对未来状态都难以把握的决策问题。 特点：状态的不确定性。 不确定性：不确定性来自人类的主观认识与客观实际之间存在的差异。事物发生的随机性、人类知识的不完全、不可靠、不精确和不一致以及自然语言中存在的模糊性和歧义性，都反映了这种差异，都会带来不确定性。不确定性就造成了具有相同描述信息的对象可能属于不同概念。 解决问题的主要理论方法：人工智能与不确定性理论 智能决策理论与方法 1、智能决策理论的形成背景 2、知识发现 3、粗糙集理论 4、机器学习 智能决策理论与方法—形成背景 人类面临越来越复杂的决策任务和决策环境： 决策问题所涉及的变量规模越来越大； 决策所依赖的信息具有不完备性、模糊性、不确定性等特点，使得决策问题难以全部定量化地表示出来； 某些决策问题及其目标可能是模糊的、不确定的，使得决策者对自己的偏好难以明确，随着决策分析的深入，对决策问题的认知加深，自己原有的偏好/倾向得到不断地修正，使得决策过程出现不断调整的情况， 这时，传统的决策数学模型已经难以胜任求解复杂度过高的决策问题、含有不确定性的决策问题以及半结构化、非结构化的决策问题，因而产生了智能决策理论、方法及技术。 智能决策理论与方法—AI的应用模式 智能决策方法是应用人工智能(Artificial Intelligence, AI)相关理论方法，融合传统的决策数学模型和方法而产生的具有智能化推理和求解的决策方法，其典型特征是能够在不确定、不完备、模糊的信息环境下，通过应用符号推理、定性推理等方法，对复杂决策问题进行建模、推理和求解。AI应用于决策科学主要有两种模式： 针对可建立精确数学模型的决策问题，由于问题的复杂性，如组合爆炸、参数过多等而无法获得问题的解析解，需要借助AI中的智能有哪些信誉好的足球投注网站算法获得问题的数值解； 针对无法建立精确数学模型的不确定性决策问题、半结构化或非结构化决策问题，需要借助AI方法建立相应的决策模型并获得问题的近似解。 智能决策理论与方法 1、智能决策理论的形成背景 2、知识发现 3、粗糙集理论 4、机器学习 知识发现—动机 智能决策的核心是如何获取支持决策的信息和知识。 知识发现—动机 知识发现—动机 知识发现—动机 知识发现—动机 KDD带来的新问题 知识发现问题：如何从数据中将知识挖掘出来？面临许多技术问题：如数据异构问题、数据具有噪音且信息不完整、使用什么样的挖掘算法、知识如何表示等 知识评价问题：数据本身具有权威性、客观性，但知识不具备。知识如何评价？ 为什么要开展数据挖掘？ 信息技术的广泛应用产生了大量的数据： 流数据（生产数据、监控数据、传感数据） 各种(时间)序列数据（证券交易，基因序列） 对象关系数据（社交网络，分子结构） 管理数据（MIS，ERP：财务、人力资源、客户关系） 空间数据（GIS、GPS） 多媒体数据（视频监控，视频分享） 文本数据（学术论文，新闻，微博，博客） 万维网数据（内容，结构，使用，交易数据） …… 为什么要开展数据挖掘？ Big Data——大数据时代 第一，数据体量（Volume）巨大 。从TB级别，跃升到PB级别。 第二，数据类型繁多（Variety） 。网络日志、视频、图片、地理位置信息等等。 第三，价值（Value）密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。 第四，处理速度（Velocity）快。1秒定律。 We are drowning in data, but starving for knowledge! 数据预处理—空值估算 空值是指属性值未知且不可用、与其它任何值都不相同的符号。在样本数据集中，空值在所有非主码属性中都可能出现。空值出现的主要原因： 在信息收集时忽略了一些认为不重要的数据或信息提供者不愿意提供，而这些数据对以后的信息处理可能是有用的； 某些属性值未知； 数据模型的限制。 数据预处理—空值估算 空值处理的常用方法： 从训练集中移去含未知值的实例； 用某个最可能的值进行替换； 基于样本中其它属性的取值和分类信息，构造规则来预测丢失的数据，并用预测结果“填补”丢失值； 应用贝叶斯公式确定未知值的概率分布，选择一最可能的值填补空值或根据概率分布用不同值填补空值形成多个对象； 将含有未知值的一个给定样本数据集转换成一个新的、可能不相容的但每个属性值均已知的数据集，方法是将某个属性的未知值用所有该属性的可能值替换形成多个数据集。 数据预处理—连续属性离散化 数据预处理—连续属性离散化 数据预处理—连续属性离散化 数据预处理—连续属性离散化 假设某个属性的最大属性值为xmax，最