第17章 基于知识的系统.ppt

基于规则的专家系统 用户：为什么你相信贷款应该被批准? 系统：因为贷款抵押被满足，并且申请人能做出贷款偿还，申请人有好的金融信誉。 用户：为什么你相信申请人有良好的金融信誉? 系统：因为信贷等级服务说那个申请人有良好的信贷等级。 用户：为什么你问我是否申请人的收入超过他／她的消费? 系统：因为我正试图建立是否申请人能够做出贷款偿还。 用户：为什么你要建立是否申请人能够做出贷款偿还? 系统：因为这是建立是否贷款应该被批准的标准之一。 用户：为什么你要建立贷款应该被批准? 系统：因为你问我。 基于规则的专家系统 规则学习 既然已经知道基于规则的系统的重要性和从专家那里提取好的规则的艰难，那么很自然地，我们会问专家系统规则能否被自动学习。有两种类型的学习方法:归纳法和演绎法。两种类型都能用于学习规则。例如，神经网络学习就是归纳法，因为学习的函数是对潜在的、未知的函数的假设。在成功的学习中，一般假设会给出大部分输入的正确输出，但是它们也可能出错。归纳规则学习方法建立一个领域的新规则——不能从任何以前的规则推导出。 演绎规则学习通过从以前知道的领域规则和事实推理附加的规则来扩展一个系统的性能效率。不用附加规则，系统也能推出使用附加规则推出的结论。但是使用附加规则，系统可以更有效地执行。对演绎附加规则，将解释一个叫做基于解释的广义化(EBG)技术。 学习命题演算规则 已经提出了几种归纳规则学习的方法，这里将描述其中一种。首先描述Horn子句命题逻辑的一般思想，然后给出一个相似的、可以用来学习一阶逻辑Horn子句规则的技术。 规则学习 这个表可以从贷款应用记录和贷款员所做结论来收集。训练集中OK值为1的成员称为正例， OK值为0的叫反例。从训练集中，我们希望归纳出如下规则： α1∧α2∧…∧ αn ? OK 其中αi是集合{APP， RATING， INC， BAL}中的命题原子。 学习命题演算规则 规则学习 如果一规则的前项在训练集中有实例T值，我们说那个规则覆盖(cover)那个实例。我们能通过给规则的前项加一个原子来改变任何现存的规则，使之覆盖更少的实例。此改变使那个规则更特殊。两个规则比单个规则能覆盖更多的实例。增加一个规则使得使用这些规则的系统更为通用。我们寻找一个规则集合。它仅覆盖训练集中的所有正实例。 学习命题演算规则 对一个规则集合的有哪些信誉好的足球投注网站在计算上是困难的。这里描述了一个“贪婪”方法，亦称为分治法(separate and conquer)。首先设法找到一个规则，它仅仅覆盖正例——尽管它不覆盖所有的正例。我们从一个覆盖所有实例(正例和反例)的规则开始来对这样一个规则进行有哪些信誉好的足球投注网站，通过加原子到它的前项，逐渐使它更特殊。由于一个单一规则不可能覆盖所有的正例，我们逐渐增加规则(使它们像我们需要的一样特殊)直到整个规则集仅覆盖所有的正例。 下面说明如何使用该方法。首先从覆盖所有实例的临时规则: T ? OK 开始。现在，我们必须加一个原子使它包含较少的反例——朝着仅覆盖正例的方向前进。我们应该加哪一个原子(从集合(APP， RATING， INC， BAL)中)呢?有几个标准可用来做这个选择。为简单起见，决定基于一个容易计算的比率： 其中， nα是将α原子加到规则的前项后，被(新的)前项覆盖的(正的和反的)实例的总量，nα+是将α原子加到规则的前项后，被(新的)前项覆盖的正例的总量。 规则学习 学习命题演算规则 我们选取产生最大rα值的α。在例子中，该值是： rAPP ＝3／6＝0.5 rRATING＝4／6＝0.667 rINC＝3／6＝0.5 rBAL＝3／4＝0.75 因此，我们选BAL，产生临时规则： BAL? OK 这个规则覆盖了正例3、4和7，但也覆盖反例l，因此必须把它进一步特殊化。 规则学习 学习命题演算规则 用同样的技术选择另一个原子。rα的计算必须考虑到我们已经决定了前项中的第一个部件是BAL： rAPP＝2／3＝0.667 rRATING＝3／3＝1.0 rINC＝2／2＝1.0 其中，在 RATING和INC 之间有一个平局。我们可能选择RATING，因为rRATING基于一个更大的取样(为什么？)。 规则 BAL∧RATING?OK 仅覆盖正例，故不必再加原子到这个规则的前项。但是这个规则没有覆盖所有的正例，尤其不覆盖正例6。因此，我们必须增加另一个规则。 规则学习 学习命题演算规则 为了学习下一个规则，首先从表中删去