8.7. Методы реализаций рассуждений по аналогии

Рассуждения по аналогии, как и индуктивные рассуждения, можно применять для решения задач диагностики, прогнозирования, классификации, распознавания, обучения, сегментации баз данных (БД), установления ассоциаций в БД, извлечения из данных «скрытых» знаний, интерпретации данных, полуавтоматического приобретения знаний в экспертных системах и др.

Существуют различные реализации подходов рассуждений по аналогии. Рассмотрим некоторые из них.

Системы типа case based reasoning – CBR. Для того чтобы сделать прогноз на будущее или выбрать правильное решение, эти системы находят в прошлом близкие аналоги настоящей ситуации и выбирают тот же ответ, который был для них правильным. Поэтому этот метод еще называют методом «ближайшего соседа» (nearest neighbour).

Системы CBR используют для решения разнообразных задач. Большим недостатком систем, работающих на методе «ближайшего соседа», является то, что они вообще не создают каких-либо моделей или правил, обобщающих предыдущий опыт. В выборе решения они основываются на всем массиве доступных исторических данных, поэтому невозможно сказать, на основе каких конкретно факторов CBR системы строят свои ответы. Другая проблема CBR-систем – выбор меры «близости», которая влияет на объем множества прецедентов, которые нужно хранить в памяти системы для достижения удовлетворительной классификации или прогноза.

Примерами автоматизированных CBR-систем являются KATE tools (Acknosoft, Франция), Pattern Recognition Workbench (Unica, США).

Деревья решений (decision trees) являются одним из наиболее распространенных методов решения задач типа «Data Mining». Они создают иерархическую структуру классифицирующих правил типа «ЕСЛИ... ТО...» в виде дерева или набора продукций. Для того чтобы решить, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид «значение параметра A больше Х?». Если ответ положительный («ДА»), осуществляется переход к правому узлу следующего уровня, если отрицательный («НЕТ») – то к левому узлу, затем снова следует вопрос, связанный с соответствующим узлом.

Данный метод обладает наглядностью и понятностью. Для метода деревьев решений необходимо решение проблемы значимости. Отдельным узлам на каждом новом построенном уровне дерева соответствует меньшее число записей данных – дерево дробит данные на большое количество частных случаев. Чем больше этих частных случаев, чем меньше обучающих примеров попадает в каждый такой частный случай, тем менее уверенной становится их классификация. Если построенное дерево слишком «кустистое» – состоит из неоправданно большого числа мелких веточек, оно не будет давать статистически обоснованных ответов.

Как показывает практика, в большинстве систем, использующих деревья решений, эта проблема не находит удовлетворительного решения. Кроме того, деревья решений дают хорошие результаты только в случае независимых признаков. Самыми распространенными автоматизированными системами такого типа являются See5/С5.0 (RuleQuest, Австралия), Clementine (Integral Solutions, Великобритания), SIPINA (University of Lyon, Франция), IDIS (Information Discovery, США).

При использовании логических методов возникает проблема перебора вариантов за приемлемое время. Известные методы либо искусственно ограничивают такой перебор (алгоритмы КОРА, WizWhy), либо строят деревья решений (алгоритмы CART, CHAID, ID3, See5, Sipina и др.), дающие полезные результаты только в случае независимых признаков. Методы поиска логических правил также не поддерживают функцию обобщения найденных правил и функцию поиска оптимальной композиции таких правил. Результатом работы этих алгоритмов обычно является полученное множество правил, но их интерпретация и анализ не производится, а возлагается на проектировщика.

Таким образом, является актуальной разработка новых методов и алгоритмов поддержки рассуждений по аналогии и создание автоматизированных систем, использующих эти методы.