Pozyskiwanie wiedzy z danych z zastosowaniem klasyfikatorów przybliżonych

• Autorzy: Zdzisław Piasta
• Języki publikacji: PL

Abstrakty

Przedstawiony w pracy algorytm generowania klasyfikatorów przybliżonych ma szereg własności, które czynią go szczególnie przydatnym w zagadnieniach pozyskiwania wiedzy z danych. Wiedza ta może być następnie wykorzystana do wspomagania różnego rodzaju decyzji, także wówczas gdy zbiór danych o problemie decyzyjnym jest źle ustrukturalizowany. Jest to niezwykle ważne ze względu na rosnące znaczenie wiedzy w efektywnym i skutecznym zarządzaniu. Atrybuty charakteryzujące obiekty mogą być dowolnego mieszanego typu. Dane mogą być niekompletne i zawierać brakujące wartości. Atrybuty nadmiarowe są automatycznie eliminowane. W procedurze generowania klasyfikatorów przybliżonych stosowane jest kryterium minimalizacji kosztów błędnej klasyfikacji nowych obiektów, które pozwala uwzględnić prawdopodobieństwa aprioryczne poszczególnych decyzji oraz zróżnicować koszty związane z błędnymi decyzjami. Ma to istotne znaczenie wówczas, gdy zbiór treningowy nie jest reprezentatywny dla całej zbiorowości obiektów, zaś konsekwencje błędnego zakwalifikowania nowego obiektu do różnych klas nie są identyczne. Dziedziny wynikowych reguł decyzyjnych są rozłączne i wypełniają całą przestrzeń atrybutów. Jest to szczególnie ważne w sytuacji, gdy reguły te zostaną wykorzystane jako element bazy wiedzy systemu ekspertowego. (fragment tekstu)

Słowa kluczowe

PL

Wiedza; Zarządzanie wiedzą; Algorytmy; Materiały konferencyjne

EN

Knowledge; Knowledge management; Algorithms; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1997
• Numer: nr 772 Pozyskiwanie wiedzy
• Strony: 133--149

Twórcy

autor

Zdzisław Piasta

• Politechnika Świętokrzyska

Bibliografia

• Amidon D.M.: Innovation Strategy for the Knowledge Economy: The Ken Awakening, Butterworth-Heinemann, Boston, 1997.
• Baborski A. (red.): Efektywne zarządzanie a sztuczna inteligencja, Akademia Ekonomiczna we Wrocławiu, Wrocław, 1994.
• Brieman L., Friedman R.A., Olshen R.A., Stone C.J.: Classification and Regression Trees, Wadsworth, Belmont, 1984.
• Clark P., Niblett T., The CN2 induction algorithm, "Machine Learning Journal", Vol. 3, 1989, 261-283.
• Demings W.E.: The New Economics for Industry, Government, Education, MIT, Cambridge, 1994.
• Fayyad U.M., Piatetsky-Shapiro G., Smyth P., Uthurusamy R.: Advances in Knowledge Discovery and Data Mining, AAAI Press / The MIT Press, Cambridge, 1996.
• Galant V.: GIMS - decision tree learning system, Proceedings of First Polish Conference on Theory and Applications of Artificial Intelligence, CAI'96, Łódź, 1996, 96-102.
• Goonatilake S., Treleaven P.(eds): Intelligent Systems for Finance and Business, Wiley, New York, 1995.
• Joiner B.L.: Fourth Generation Management: The New Business Consciousness, McGraw-Hill, New York, 1994.
• Lin T.Y., Wildberger A.M.(eds): Soft Computing: Rough Sets, Fuzzy Logic, Neural Networks, Uncertainty Management and Knowledge Discovery. CA: Simulation Councils, San Diego, 1995.
• Lin T.Y., Cercone N. (eds): Rough Sets and Data Mining: Analysis of Imprecise Data, Kluwer Academic Publishers, Dordrecht, 1997.
• Niedzielska E.: Zintegrowane środowisko zarządzania jako perspektywiczna platforma użytkowania gospodarczych systemów informacyjnych, [w:] W. Abramowicz (ed.), Business Information Systems '97, Akademia Ekonomiczna w Poznaniu, Poznań, 1997.
• Pawlak Z.: Rough Sets: Theoretical Aspects of Reasoning About Data, Kluwer Academic Publishers, Dordrecht, 1991.
• Piasta Z., Lenarcik A.: Rule induction with probabilistic rough classifiers, ICS Research Report 24/96, Institute of Computer Science, Warsaw University of Technology, 1996 (praca przyjęta do Machine Learning Journal).
• Piasta Z., Lenarcik A., Tsumoto S.: Machine discovery in databases with probabilistic rough classifiers, Proceedings of RSFD'96, Tokyo, November 1996, 353-359.
• Piasta Z.: Rough classifiers in intelligent support of business decisions, Proceedings of First Polish Conference on Theory and Applications of Artificial Intelligence, САI'96, Łódź, December 1996, 103-111.
• Quinlan J.R.: C4.5: Programs for Machine Learning, Morgan Kaufinann, San Mateo, 1993.
• Senge P.M., Roberts C., Ross R.B., Smith B.J., Kleiner A.: The Fifth Discipline Fieldbook: Strategies and Tools for Building a Learning Organization, Nicolas Brealby Publishing, London, 1994.
• Słowiński R. (ed.): Intelligent Decision Support: Handbook of Applications and Advances of the Rough Sets Theory, Kluwer Academic Publishers, Dordrecht, 1992.
• Sroka H., Stanek S. (red.): Inteligentne systemy wspomagania decyzji w zarządzaniu: nowe kierunki prac, Akademia Ekonomiczna w Katowicach, Katowice, 1995.
• Tuthill G.S.: Knowledge Engineering: Concepts and Practices for Knowledge-Based Systems, TAB BOOKS, Blue Ridge Summit, 1990.
• Ziarko W. (ed.): Rough Sets, Fuzzy Sets and Knowledge Discovery, Springer-Verlag, London, 1994.