Tablice decyzyjne
Transkrypt
Tablice decyzyjne
Tablice decyzyjne I T P W ZPT 1 Synteza logiczna Inżynieria informacji Minimalizacja F.B. Generacja reguł Redukcja argumentów decyzyjnych Redukcja atrybutów Dekompozycja funkcjonalna Odwzorowanie technologiczne FPGA Hierarchiczne podejmowanie decyzji I T P W ZPT 2 Tablice i reguły decyzyjne Wiele rzeczywistych zjawisk opisuje się tablicami danych O b i e k t y I T P W a b d e 1 1 0 1 1 2 1 0 0 1 3 0 0 0 0 4 1 1 1 0 5 1 1 2 2 6 2 2 2 2 Klasyfikacja (Decyzja) W tablicach takich obiekty reprezentowane w poszczególnych wierszach opisywane są wartościami atrybutów a, b, d. Jednocześnie obiekty są klasyfikowane, kolumna e. ZPT 3 Tablice i reguły decyzyjne Tablice takie można również reprezentować za pomocą wyrażeń logicznych zwanych regułami decyzyjnymi: I T P W U1: (a,1) ∧ (b,0) ∧ (d,1) (e,1) U5: (a,1) ∧ (b,1) ∧ (d,2) (e,2) a b d e 1 1 0 1 1 2 1 0 0 1 3 0 0 0 0 4 1 1 1 0 5 1 1 2 2 6 2 2 2 2 redukcja atrybutów redukcja (generacja) reguł decyzyjnych ZPT 4 Generacja reguł Wyrażenia takie można „upraszczać” za pomocą metod stosowanych w syntezie logicznej. Np. metodą analogiczną do ekspansji można uogólniać (minimalizować) reguły decyzyjne. Metoda uogólniania reguł decyzyjnych: Tworzy się macierz porównań M, Wyznacza minimalne pokrycie M, I T P W Atrybutami reguły minimalnej są atrybuty należące do minimalnego pokrycia M. ZPT 5 Przykład generacji reguł Tablica decyzyjna Tablica reguł minimalnych U a b c d e 1 1 0 0 1 1 2 1 0 0 0 3 0 0 0 4 1 1 5 1 6 7 a b c d e 1 1 0 – – 1 0 0 0 – – – 0 0 1 0 – 1 – 1 0 1 0 2 2 – – – 2 2 2 2 0 2 2 2 2 2 2 2 I T P W ZPT 6 Przykład: uogólniamy U1 U a b c d e 1 1 0 0 1 1 2 1 0 0 0 1 3 0 0 0 0 0 4 1 1 0 1 0 5 1 1 0 2 2 6 2 2 0 2 2 7 2 2 2 2 2 I T P W a 1 0 M= 0 1 1 b 0 1 1 1 1 c 0 0 0 0 1 d 1 0 1 1 1 Macierz M powstaje przez porównanie obiektów: (u1, u3), (u1, u4), ..., (u1, u7). Wynikiem porównania są wiersze M. Dla takich samych wartości atrybutów odpowiedni m=0, dla różnych m=1. ZPT 7 Przykład: uogólniamy U1 a 1 0 = M 0 1 1 b 0 1 1 1 1 c 0 0 0 0 1 d 1 0 1 1 1 U a b c d e 1 1 0 0 1 1 a, d 2 1 0 0 0 1 b b, d Minimalne pokrycia są: {a,b} oraz {b,d}, a, b, d a, b, c, d Wyznaczone na ich podstawie minimalne reguły: I T P W (a,1) & (b,0) → (e,1) (b,0) & (d,1) → (e,1) U a b c d e 1 1 0 - - 1 2 1 0 0 0 1 ZPT 8 Przykład generacji reguł cd. Po uogólnieniu obiektu u1 ⊇ u2. U a b c d e U a b c d e 1 1 0 - - 1 1 1 0 - - 1 2 1 0 0 0 1 2 1 0 0 0 1 3 0 0 0 0 0 4 1 1 0 1 0 5 1 1 0 2 2 6 2 2 0 2 2 7 2 2 2 2 2 u2 mona I T P W ZPT 9 Przykład generacji reguł c.d. U a b c d e 1 1 0 0 1 1 2 1 0 0 0 1 3 0 0 0 0 0 4 1 1 0 1 0 5 1 1 0 2 2 6 2 2 0 2 7 2 2 2 2 Dla obiektu u4 a b c d 1 0 0 1 a b c d 0 1 0 0 2 1 0 0 0 1 1 0 1 1 1 0 1 0 1 0 1 0 0 0 1 1 1 0 1 2 1 1 1 1 1 1 1 1 0 − −− ⊇ / 1101 −1 − 1 ⊇ / 0000 (a,0) → (e,0) (b,1) & (d,1) → (e,0) I T P W Dla obiektu u3 Niestety po uogólnieniu ani u3 nie pokrywa u4, ani u4 nie pokrywa u3 ZPT 10 Przykład generacji reguł c.d. U a b c d e 1 1 0 0 1 1 2 1 0 0 0 1 3 0 0 0 0 0 4 1 1 0 1 0 5 1 1 0 2 2 6 2 2 0 2 2 7 2 2 2 2 2 (d,2) → (e,2) Dla obiektu u5 a b c d 0 1 0 1 0 1 0 1 1 1 0 1 0 0 0 1 −−−2⊇ u6, u7 I T P W ZPT 11 Reguły minimalne a b c d e 1 0 – – 1 0 – – – 0 – 1 – 1 0 – – – 2 2 (a,1) & (b,0) → (e,1) (a,0) → (e,0) (b,1) & (d,1) → (e,0) (d,2) → (e,2) w innym zapisie: I T P W (a,1) & (b,0) → (e,1) (a,0) ∨ (b,1) & (d,1) → (e,0) (d,2) → (e,2) ZPT 12 Zastosowania Takie metody stosuje się w przypadkach, gdy dysponuje się zbiorem obiektów, których przynależność do odpowiedniej klasy jest znana, a celem jest identyfikacja nieznanych reguł klasyfikacji. Pierwotna tablica decyzyjna: zapisane są w niej dane zebrane do tej pory i już sklasyfikowane I T P W ZPT U a b c d e 1 1 0 0 1 1 2 1 0 0 0 1 3 0 0 0 0 0 4 1 1 0 1 0 5 1 1 0 2 2 6 2 2 0 2 2 7 2 2 2 2 2 Ale pojawia się nowy zestaw danych a=1,b=1, c=1, d= 1 Jaka decyzja? Na uogólnionych regułach jest to oczywiste! a b c d e 1 0 – – 1 0 – – – 0 – 1 – 1 0 – – – 2 2 e=0 13 Zastosowania Sytuacja ta występuje np. przy wnioskach kredytowych składanych w bankach. Ponieważ część z nich jest akceptowana, a część odrzucana, można dane zebrane w dłuższym okresie czasu zapisać w tablicy decyzyjnej, uogólnić i dalej stosować w uproszczonej formie do podejmowania decyzji. Klientów charakteryzuje się za pomocą następujących cech jakościowych i ilościowych: Przykładowo: I T P W - Sytuacja zawodowa: B (bezrobotny), P (pracujący) - przeznaczenie kredytu: komputer (K), sprzęt audio (A), biżuteria (B)… - wiek w latach - stan konta ZPT 14 Przykładowa tablica danych... Sytuacja zawodowa Przeznaczenie: Komp., sam. wiek Stan konta Staż pracy w danym zakładzie pracy I T P W C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 Klasa P K K S nie 18 200 20 15 1 tak P K K S nie 20 100 20 20 2 tak B K K R tak 25 • • • 50 40 12 0 nie P S M R nie 21 1500 30 20 3 tak P S M S nie 25 1500 100 20 2 tak P S M R nie 38 1000 100 20 15 tak ZPT 15 Zastosowania Po uogólnieniu reguł decyzyjnych… [wiek > 25] & [stan konta > 70] & [staż pracy > 2] → tak ……. [płeć = kobieta] & [wiek < 25] → nie LERS I T P W ZPT 16 Reguły minimalne ESPRESSO .i 7 .o 1 .type fr .p 9 1000101 0 1011110 0 1101110 0 1110111 0 0100101 1 1000110 1 1010000 1 1010110 1 1110101 1 .e I T P W f = x 4 x7 + x2x6 LERS < [ 1 1 1 1 0 1 1 1 1 a a a x1 x2 0 0 0 0 1 1 1 0 1 1 1 0 1 0 0 0 0 0 0 1 0 0 1 0 1 1 0 a a a x3 x4 1 0 1 1 1 0 1 1 0 1 1 1 1 0 1 1 1 0 0 0 0 1 1 0 1 0 1 a d > x5 x6 x7 d ] 0 0 0 0 1 1 f = x4x2x6 1 1 1 + x6 x2 + x5 (x4,1) -> (d,0) (x7,1) & (x1,1) & (x3,0) -> (d,0) (x2,1) & (x6,1) -> (d,0) (x4,0) & (x2,0) & (x6,1) -> (d,1) (x6,0) & (x2,1) -> (d,1) (x5,0) -> (d,1) ZPT 17 Redukcja atrybutów I T P W a1 a2 a3 a4 a5 a6 d 1 0 1 0 1 0 0 1 2 1 0 0 0 1 3 3 1 1 0 2 2 4 1 1 0 2 5 1 1 1 6 0 0 7 1 8 a1 a3 a5 a6 d 1 0 0 0 0 1 2 2 1 0 1 3 2 3 3 3 1 0 2 3 3 3 3 2 4 1 0 3 3 2 0 2 3 4 5 1 1 2 3 4 2 0 2 3 1 6 0 2 2 3 1 1 2 0 2 2 5 7 1 2 2 2 5 1 1 2 0 2 3 6 8 1 2 2 3 6 9 1 0 2 2 1 3 6 9 1 2 1 3 6 10 1 1 2 2 3 1 7 10 1 2 3 1 7 Redukty: {a1 , a3 , a5 , a6 } {a2 , a3 , a5 , a6 } ZPT 18 Przykład redukcji atrybutów a1 a6 a1 a2 a3 a4 a5 a6 d 1 0 0 0 0 0 0 1 2 0 0 1 1 0 0 1 3 4 5 1 0 0 2 1 1 2 1 0 0 0 2 1 0 0 1 1 1 2 2 3 6 1 2 2 3 2 0 2 7 1 2 2 2 0 1 1 8 0 0 1 1 0 1 3 9 0 1 0 3 2 0 4 2 2 2 3 2 0 4 I T10 P W ponieważ wiersze 6 i 10 różnią się na pozycji a1 a wiersze 2 i 8 różnią się na pozycji a6 ZPT 19 Przykład redukcji atrybutów a1 a2 a3 a4 a5 a6 I T P W d 1 0 0 0 0 0 0 1 2 0 0 1 1 0 0 1 3 4 5 1 0 0 2 1 1 2 1 0 0 0 2 1 0 0 1 1 1 2 2 3 6 1 2 2 3 2 0 2 7 1 2 2 2 0 1 1 8 0 0 1 1 0 1 3 9 0 1 0 3 2 0 4 10 2 2 2 3 2 0 4 P1 = (1,2,4,5,8,9 ;3,6,7 ;10) P6 = (1,2,6,9,10 ;3,4,5,7,8) PD = (1,2,7;3,4,6;5,8 ;9,10) P1 • P6 | PD = (1,2)(9);(4)(5,8);(6) ;(3)(7);(10) ZPT 20 Przykład redukcji atrybutów a1 a2 a3 a4 a5 a6 I T P W ZPT d 1 0 0 0 0 0 0 1 2 0 0 1 1 0 0 1 3 4 5 1 0 0 2 1 1 2 1 0 0 0 2 1 0 0 1 1 1 2 2 3 6 1 2 2 3 2 0 7 1 2 2 2 0 8 0 0 1 1 9 0 1 0 10 2 2 2 P1 • P6 | PD = (1,2)(9);(4)(5,8);(6) ;(3)(7);(10) 1,9 a2 , a4 , a5 2,9 a2 , a3 , a4 , a5 4,5 a3 , a4 2 4,8 a2 , a4 1 1 0 1 3 3,7 a4 , a5 3 2 0 4 3 2 0 4 (a4 + a2) (a4 + a3) (a4 + a5) = a4 + a2a3a5 {a1 , a4 , a6 } {a1 , a2 , a3 , a5 , a6 } 21 Systemy analizy danych RSES 2.1 Rough Set Exploration System http://logic.mimuw.edu.pl/~rses/ I T P W ZPT 22 Praktyczne zastosowania • medycynie • farmakologii • bankowości • lingwistyce • rozpoznawaniu mowy • bazach danych i innych. Nowicki R. K.: Rozmyte systemy decyzyjne w zadaniach z ograniczoną wiedzą, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2009. I T P W Kukiełka P., Kotulski Z., Systemy wykrywania intruzów wykorzystujące metody sztucznej inteligencji. Przegląd telekomunikacyjny, nr. 4, 2011. ZPT 23 PODSUMOWANIE Zagadnienia syntezy logicznej znajdują szerokie zastosowanie w wielu dziedzinach techniki: w technice cyfrowej w inżynierii informacji w kryptografii w sieciach neuronowych Uniwersyteckie Systemy Syntezy Logicznej: SIS, (Espresso, NOVA, ...), ... DEMAIN Znaczenie syntezy logicznej ciągle wzrasta, a USSL stają się niezbędnym narzędziem w projektowaniu układów i systemów cyfrowych I T P W ZPT 24