Deszcz b gorączka
Transkrypt
Deszcz b gorączka
Systemy ekspertowe Część siódma Reprezentacja wiedzy niepewnej i wnioskowanie w warunkach niepewności Autor Model współczynników pewności Roman Simiński Kontakt [email protected] www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót treści wykładu, lektura tych materiałów nie zastąpi uważnego w nim uczestnictwa. Opracowanie to jest chronione prawem autorskim. Wykorzystywanie jakiegokolwiek fragmentu w celach innych niż nauka własna jest nielegalne. Dystrybuowanie tego opracowania lub jakiejkolwiek jego części oraz wykorzystywanie zarobkowe bez zgody autora jest zabronione. Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Jak radzić sobie z wiedzą obarczoną niepewnością? Czy zawsze wiemy wszystko na pewno? Chyba mam gorączkę Trochę boli mnie gardło Mam lekki katar Gorączka, ból gardła i katar mogą być objawami przeziębienia. Ale być może są to początki grypy. Copyright © Roman Simiński Strona : 2 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Jak radzić sobie z wiedzą obarczoną niepewnością? Otaczający nas świat pełen jest pojęć nieprecyzyjnych Raczej Raczej wysoki wysoki Najczęściej Najczęściej tak tak jest jest Chyba Chyba nie nie Prawdopodobnie Prawdopodobnie tak tak Czasem Czasem tak, tak, czasem czasem nie nie Być Być może może Nie Nie całkiem całkiem Prawie Prawie dobrze dobrze Ludzie Ludzie jakoś jakoś –– lepiej lepiej lub lub gorzej gorzej –– radzą radzą sobie sobie zz pojęciami pojęciami nieprecyzyjnymi nieprecyzyjnymi ii niepewnymi. niepewnymi. Copyright © Roman Simiński Strona : 3 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Jak radzić sobie z wiedzą obarczoną niepewnością? Otaczający nas świat pełen jest pojęć nieprecyzyjnych Raczej Raczej wysoki wysoki Najczęściej Najczęściej tak tak jest jest Chyba Chyba nie nie Prawdopodobnie Prawdopodobnie tak tak Czasem Czasem tak, tak, czasem czasem nie nie Być Być może może Nie Nie całkiem całkiem Prawie Prawie dobrze dobrze Jak Jak ma ma zz tym tym poradzić poradzić sobie sobie komputer? komputer? Copyright © Roman Simiński Strona : 4 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Jak radzić sobie z wiedzą obarczoną niepewnością? Niepewność może dotyczyć obserwacji (faktów) jak i samej wiedzy Fakty niepewne Chyba mam gorączkę Trochę boli mnie gardło Mam lekki katar Wiedza niepewna Gorączka, ból gardła i katar mogą być objawami przeziębienia. Ale być może są to początki grypy. Copyright © Roman Simiński Strona : 5 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Jak radzić sobie z wiedzą obarczoną niepewnością? Jak precyzyjnie opisać nieprecyzyjnie pojęcia? Pojęcia potoczne Raczej Raczej wysoki wysoki Najczęściej Najczęściej tak tak jest jest Probabilistyka Statystyka Logiki nieklasyczne Być Być może może Nie Nie całkiem całkiem Prawdopodobnie Prawdopodobnie tak tak Metody reprezentacji pojęć nieprecyzyjnych i niepewnych Pojęcia zdatne do przetwarzania komputerowego Chyba Chyba nie nie Prawie Prawie dobrze dobrze Czasem Czasem tak, tak, czasem czasem nie nie Copyright © Roman Simiński Teoria Dempstera-Shafera Zbiory przybliżone Zbiory rozmyte Współczynniki pewności Strona : 6 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Geneza CF – współczynnik pewności – to akronim angielskiego Certainty Factor. Model współczynników pewności został opracowany w połowie lat 80-tych XX wieku. Autorem koncepcji jest David McAllister z MIT. Pierwsze znaczące zastosowanie – system MYCIN. Oryginalna koncepcja doczekała się kilku modyfikacji. Koncepcja Metoda współczynników pewności zakłada rozszerzenie modelu regułowego o pewne numeryczne oszacowanie stopnia pewności eksperta o prawdziwości danej reguły czy też faktu. W W modelu modelu współczynników współczynników pewności pewności fakty, fakty, warunki warunki ii hipotezy hipotezy nie nie przyjmują przyjmują wartości wartości true true lub lub false, false, ich ich wartość wartość określona określona jest jest współczynnikiem współczynnikiem pewności pewności CF, CF, przyjmującym przyjmującym wartości wartości −1 −1 <= <= CF CF <= <= 1. 1. Copyright © Roman Simiński Strona : 7 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Od logiki dwuwartościowej do stopnia przekonania o prawdziwości Logika dwuwartościowa: prawada, fałsz. Współczynnik pewności −1 <= CF <= 1 Logika dwuwartościowa fałsz prawda ` −1 0 1 Cf Współczynnik pewności CF Copyright © Roman Simiński Strona : 8 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Od sceptyka do entuzjasty, czyli jak rozumieć współczynnik pewności 1 Współczynnik pewności CF −1 0 1 Cf Maleje niepewność, wzrasta pewność Wzrasta niepewność, maleje pewność Copyright © Roman Simiński Strona : 9 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Od sceptyka do entuzjasty, czyli jak rozumieć współczynnik pewności 1 Współczynnik pewności CF Niewiedza Niewiedza –– ani ani prawda, prawda, ani ani fałsz fałsz Stwierdzenie Stwierdzenie uznajemy uznajemy za za fałszywe fałszywe w w 50% 50% −1 0,5 Stwierdzenie Stwierdzenie uznajemy uznajemy za za fałszywe fałszywe Copyright © Roman Simiński Stwierdzenie Stwierdzenie uznajemy uznajemy za za prawdziwe prawdziwe w w 50% 50% 0 0,5 1 Cf Stwierdzenie Stwierdzenie uznajemy uznajemy za za prawdziwe prawdziwe Strona : 10 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Formalny opis współczynników pewności 1 Współczynnik pewności CF nie jest bezpośrednio rozumiany jako klasyczne prawdopodobieństwo. Jak podają autorzy systemu MYCIN — Shortliffe i Bachman — współczynnik pewności jest chwytem pozwalającym połączenie stopnia wiedzy oraz niewiedzy i odwzorowanie ich w postaci jednej liczby. Do odwzorowania wiedzy służy współczynnik MB zwany miarą wiarygodności (ang. measure of belief). Do opisania niewiedzy służy współczynnik MD zwany miarą niewiarygodności (ang. measure of disbelief). Załóżmy, że miary MB i MD przypisujemy do pewnego stwierdzenia s. Wtedy współczynnik pewności CF tego stwierdzenia s określony jest następująco: CF(s) = MB(s) – MD(s) Wartość Wartość współczynnika współczynnika CF CF należy należy zatem zatem do do przedziału przedziału od od <−1, <−1, +1>. +1>. Dodatnie Dodatnie wartości wartości odpowiadają odpowiadają wzrastaniu wzrastaniu wiarygodności wiarygodności stwierdzenia stwierdzenia s, s, natomiast natomiast ujemne ujemne odpowiadają odpowiadają zmniejszaniu zmniejszaniu się się wiarygodności. wiarygodności. Copyright © Roman Simiński Strona : 11 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Formalny opis współczynników pewności 1 Interpretacja miar wiarygodności MB i niewiarygodności MD w powiązaniu z prawdopodobieństwem może być następująca: jeżeli P(s) = 1 to s jest prawdziwe na pewno, wtedy MB(s) = 1, MD(s) = 0, oraz CF(s) = 1, jeżeli P(¬s) = 1 to s jest fałszywe na pewno, wtedy MB(s) = 0, MD(s) = 1, oraz CF(s) = −1, jeżeli P(¬s) = P(s) wtedy MB(s) = 0, oraz MD(s) = 0, CF(s) = 0 Co można zapisać w zwartej postaci: CF(s) = Copyright © Roman Simiński 1 P(s) = 1 MB(s) P(s) > P(¬s ) 0 P(s) = P(¬s ) −MD(s) P(s) < P(¬s ) −1 P(s) = 0 Strona : 12 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Formalny opis współczynników pewności 1 W praktyce próba zdefiniowania współczynnika CF jako różnicy pomiędzy MB i MD jest niewygodna. Definicja taka poprawia formalny „wizerunek” współczynnika pewności. W rzeczywistości współczynnik CF jest zwykle arbitralnie wybraną wartością z przedziału <−1, 1>, dobieraną zgodnie z przedstawioną wcześniej, intuicyjną interpretacją wartości z tego przedziału. Copyright © Roman Simiński Strona : 13 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Nieformalna interpretacja współczynników pewności – fakty Fakty niepewne Copyright © Roman Simiński 1 Chyba mam gorączkę Mocno boli mnie głowa Trochę boli mnie gardło Mam lekki katar Nie boli mnie brzuch Fakty pewne Fakty ze współ. CF A A— — Mam Mam gorączkę gorączkę CF(A) CF(A) == 00 B B— — Boli Boli mnie mnie głowa głowa CF(B) CF(B) == 11 CC — — Boli Boli mnie mnie gardło gardło CF(C) CF(C) == 0,5 0,5 D D— — Mam Mam katar katar CF(D) CF(D) == 0,3 0,3 E E— — Boli Boli mnie mnie brzuch brzuch CF(E) CF(E) == −1 −1 Strona : 14 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Nieformalna interpretacja współczynników pewności – reguły 1 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Reguła Reguła 11 mówi, mówi, że że gorączka, gorączka, bólu bólu gardła gardła oraz oraz katar katar są są objawami objawami przeziębienia, przeziębienia, co co stwierdzamy stwierdzamy zz wysokim, wysokim, równym równym 0.8 0.8 stopniem stopniem pewności. pewności. ZZ nieco nieco mniejszym, mniejszym, bo bo równym równym 0.4, 0.4, współczynnikiem współczynnikiem pewności, pewności, reguła reguła 22 stwierdza, stwierdza, że że takie takie same same objawy objawy świadczą świadczą oo grypie. grypie. Gorączka, ból gardła i katar mogą być objawami przeziębienia. Ale być może są to początki grypy. Copyright © Roman Simiński Strona : 15 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w systemach regułowych z współczynnikiem pewności Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty gorączka gorączka bolGardła bolGardła katar katar Copyright © Roman Simiński Strona : 16 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Szukamy reguł, których przesłanki są faktami Fakty Fakty gorączka gorączka bolGardła bolGardła katar katar Copyright © Roman Simiński Strona : 17 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty gorączka gorączka bolGardła bolGardła katar katar Copyright © Roman Simiński Strona : 18 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Uaktywniamy obie reguły, dopisujemy nowe fakty Fakty Fakty gorączka gorączka bolGardła bolGardła katar katar Copyright © Roman Simiński Strona : 19 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty gorączka gorączka bolGardła bolGardła katar katar przeziębienie przeziębienie grypa grypa Copyright © Roman Simiński A co z CF-ami? Strona : 20 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – wersja skorygowana Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(katar)=1 CF(katar)=1 CF(przeziębienie)=? CF(przeziębienie)=? CF(grypa)=? CF(grypa)=? Współczynniki pewności faktów startowych Współczynniki pewności nowych faktów ??? Współczynniki Współczynniki CF CF przypisane przypisane do do reguł reguł osłabią osłabią pewność pewność przesłanki... przesłanki... Copyright © Roman Simiński Strona : 21 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – wersja skorygowana Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(katar)=1 CF(katar)=1 CF(przeziębienie)=0.8 CF(przeziębienie)=0.8 CF(grypa)=0.4 CF(grypa)=0.4 Współczynniki pewności faktów startowych Współczynniki pewności nowych faktów A A co co będzie, będzie, jeżeli jeżeli fakty fakty startowe startowe będą będą miały miały wartość wartość CF CF inną inną niż niż 1...? 1...? Copyright © Roman Simiński Strona : 22 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – fakty startowe z CF różnym od jedności Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Fakty Fakty CF(gorączka)=0.5 CF(gorączka)=0.5 CF(bolGardła)=0.9 CF(bolGardła)=0.9 CF(katar)=0.8 CF(katar)=0.8 CF(przeziębienie)=? CF(przeziębienie)=? CF(grypa)=? CF(grypa)=? Współczynniki pewności faktów startowych Współczynniki pewności nowych faktów ??? W W jaki jaki sposób sposób wyznaczyć wyznaczyć CF CF konkluzji konkluzji dla dla niepewnych niepewnych faktów faktów ii reguły reguły zz CF? CF? Copyright © Roman Simiński Strona : 23 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – współczynnik pewności przesłanki koniunkcyjnej Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar katar )) == ?? 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Copyright © Roman Simiński Strona : 24 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – współczynnik pewności przesłanki koniunkcyjnej Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar) katar) == Minimum(CF(gorączka), Minimum(CF(gorączka), CF(bolGardła), CF(bolGardła), CF(katar)) CF(katar)) == 0.5 0.5 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Copyright © Roman Simiński Strona : 25 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – współczynnik pewności przesłanki dyzjunkcynej Reguły Reguły 1: 1: if if gorączka gorączka or or bolGardła bolGardła or or katar katar then then przeziębienie przeziębienie with with 0.8 0.8 CF(gorączka CF(gorączka or or bolGardła bolGardła or or katar) katar) == Maksimum(CF(gorączka), Maksimum(CF(gorączka), CF(bolGardła), CF(bolGardła), CF(katar)) CF(katar)) == 0.9 0.9 2: 2: if if gorączka gorączka or or bolGardła bolGardła or or katar katar then then grypa grypa with with 0.4 0.4 Copyright © Roman Simiński Strona : 26 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Wnioskowanie w przód – współczynnik pewności konkluzji reguły Reguły Reguły 1: 1: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then przeziębienie przeziębienie with with 0.8 0.8 CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar) katar) == 0.5 0.5 CF(r CF(r11)) == 0.8 0.8 CF(przeziębienie) CF(przeziębienie) == CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar) katar) ** CF(r CF(r11)) == 0.4 0.4 CF(przeziębienie) CF(przeziębienie) == CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar) katar) ** CF(r CF(r22)) == 0.2 0.2 CF(gorączka CF(gorączka and and bolGardła bolGardła and and katar) katar) == 0.5 0.5 CF(r CF(r22)) == 0.4 0.4 2: 2: if if gorączka gorączka and and bolGardła bolGardła and and katar katar then then grypa grypa with with 0.4 0.4 Copyright © Roman Simiński Strona : 27 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności przesłanki koniunkcyjnej – podsumowanie if warunek1 and warunek2 and ... warunekn then konkluzja with CF_reguły CF(przesłanka) CF(przesłanka) == Minimum( Minimum( CF(warunek CF(warunek11),), CF(warunek CF(warunek22),), ..., ..., CF(warunek CF(waruneknn)) )) Współczynnik pewności przesłanki dyzjunkcyjnej – podsumowanie if warunek1 or warunek2 or ... warunekn then konkluzja with CF_reguły CF(przesłanka) CF(przesłanka) == Maksimum( Maksimum( CF(warunek CF(warunek11),), CF(warunek CF(warunek22),), ..., ..., CF(warunek CF(waruneknn)) )) Współczynnik pewności konkluzji – podsumowanie if przesłanka then konkluzja with CF_reguły CF(konkluzja) CF(konkluzja) == CF(przesłanka) CF(przesłanka) ** CF_reguły CF_reguły Copyright © Roman Simiński Strona : 28 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji – interpretacja Współczynnik pewności reguły koryguje pewność przesłanki o numeryczne oszacowanie stopnia „zaufania” do wiedzy reprezentowanej przez regułę. Gdy CF_reguły = 1, reguła całkowicie wspiera pewność przesłanki reguły. Gdy CF_reguły = −1, reguła całkowicie osłabia pewność przesłanki reguły. Gdy CF_reguły = 0, przesłanka reguły nie mają wpływu na pewność konkluzji. Gdy CF_reguły ∈ (0, 1) reguła koryguje pewność przesłanki – wzmacnia w przypadku gdy CF(przesłanki) < 0, osłabia w niewielkim stopniu gdy CF(przesłanki) > 0. Gdy CF_reguły ∈ (−1, 0) reguła koryguje pewność przesłanki – osłabia w przypadku gdy CF(przesłanki) > 0, wzmacnia (!) w niewielkim stopniu gdy CF(przesłanki) < 0. Copyright © Roman Simiński Strona : 29 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości dodatnie Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 0.4 0.4 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 gorączka Niezależne warunki 0.8 przeziębienie bolGardła 0.4 Jaki Jaki jest jest współczynnik współczynnik pewności pewności konkluzji konkluzji CF(przeziębienie) CF(przeziębienie) == ?? Copyright © Roman Simiński Strona : 30 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości dodatnie Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.8 0.8 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 0.4 0.4 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 Niezależne warunki CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 0.8 0.8 == 0.8 0.8 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ 0.4 0.4 == 0.4 0.4 >> 00 >> 00 Współczynniki pewności obu konkluzji obu reguł są dodatnie Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) −− CF_1(przeziębienie) CF_1(przeziębienie) ** CF_2(przeziębienie) CF_2(przeziębienie) ==0.8+0.4−0.8∗0.4 0.8+0.4−0.8∗0.4 == 1.2 1.2 0.32 0.32 == 0.88 0.88 Copyright © Roman Simiński Strona : 31 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości dodatnie Reguły Reguły 1: 1: if if pp then then rr with with CF_1 CF_1 p r 2: 2: if if qq then then rr with with CF_2 CF_2 gdzie: gdzie: CF_1 CF_1 >> 00 ii CF_2 CF_2 >> 00 CF_1 q CF_2 Łączny Łączny CF(r) CF(r) dla dla CF_1(r) CF_1(r) ≥≥ 00 ii CF_2(r) CF_2(r) ≥≥ 0: 0: CF(r) CF(r) = = CF_1(r) CF_1(r) + + CF_2(r) CF_2(r) −− CF_1(r) CF_1(r) ** CF_2(r) CF_2(r) Copyright © Roman Simiński Strona : 32 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości dodatnie Dodatnie wartości współczynników pewności konkluzji reguł wzmacniają wynikowy współczynnik pewności przypisywany takiej konkluzji. Wzrasta pewność konkluzji wspieranej przez więcej niż jedną regułę z dodatnimi współczynnikami pewności. Współczynnik pewności wzrasta, jednak nie przekracza wartości 1. Copyright © Roman Simiński Strona : 33 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości dodatnie – przykłady 1 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.6 0.6 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 11 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 0.6 0.6 == 0.6 0.6 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ 11 == 11 >> 00 >> 00 Współczynniki pewności obu konkluzji obu reguł są dodatnie Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) -CF_1(przeziębienie) CF_1(przeziębienie) ** CF_2(przeziębienie) CF_2(przeziębienie) ==0.6 0.6 ++ 11 −− 0.6 0.6 ∗∗ 11 == 1.6 1.6 0.6 0.6 == 11 Copyright © Roman Simiński Strona : 34 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości dodatnie – przykłady 2 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 11 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 11 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 11 == 11 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ 11 == 11 >> 00 >> 00 Współczynniki pewności obu konkluzji obu reguł są dodatnie Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) -CF_1(przeziębienie) CF_1(przeziębienie) ** CF_2(przeziębienie) CF_2(przeziębienie) ==11 ++ 11 −− 11 ∗∗ 11 == 11 11 == 11 Copyright © Roman Simiński Strona : 35 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości dodatnie – przykłady 3 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.5 0.5 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 0.5 0.5 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 >> 00 >> 00 Współczynniki pewności obu konkluzji obu reguł są dodatnie Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) -CF_1(przeziębienie) CF_1(przeziębienie) ** CF_2(przeziębienie) CF_2(przeziębienie) ==0.5 0.5 ++ 0.5 0.5 −− 0.5∗0.5 0.5∗0.5 == 11 0.25 0.25 == 0.75 0.75 Copyright © Roman Simiński Strona : 36 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości ujemne Reguły Reguły 1: 1: if if pp then then rr with with CF_1 CF_1 p r 2: 2: if if qq then then rr with with CF_2 CF_2 gdzie: gdzie: CF_1 CF_1 << 00 ii CF_2 CF_2 << 00 CF_1 q CF_2 Łączny Łączny CF(r) CF(r) dla dla CF_1(r) CF_1(r) << 00 ii CF_2(r) CF_2(r) << 0: 0: CF(r) CF(r) = = CF_1(r) CF_1(r) + + CF_2(r) CF_2(r) + + CF_1(r) CF_1(r) ** CF_2(r) CF_2(r) Copyright © Roman Simiński Strona : 37 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – wartości ujemne Ujemne wartości współczynników pewności konkluzji reguł osłabiają wynikowy współczynnik pewności przypisywany takiej konkluzji. Maleje pewność konkluzji wspieranej przez więcej niż jedną regułę z ujemnymi współczynnikami pewności. Współczynnik pewności maleje, jednak nie mniej niż wartość −1. Copyright © Roman Simiński Strona : 38 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości ujemne – przykłady 4 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with −0.6 −0.6 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with −1 −1 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ −0.6 −0.6 == −0.6 −0.6 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ −1 −1 == −1 −1 << 00 << 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) ++ CF_1(przeziębienie)*CF_2(przeziębienie) CF_1(przeziębienie)*CF_2(przeziębienie) ==−0.6+(−1)+(−0.6)∗( −0.6+(−1)+(−0.6)∗( −1) −1) == −1.6+0.6 −1.6+0.6 == −1 −1 Copyright © Roman Simiński Strona : 39 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości ujemne – przykłady 5 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with −0.5 −0.5 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with −0.6 −0.6 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ −0.5 −0.5 == −0.5 −0.5 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ −0.6 −0.6 == −0.6 −0.6 << 00 << 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) ++ CF_1(przeziębienie)*CF_2(przeziębienie) CF_1(przeziębienie)*CF_2(przeziębienie) ==−0.5+(−0.6)+(−0.5)∗(−0.6) −0.5+(−0.6)+(−0.5)∗(−0.6) == −0.8 −0.8 Copyright © Roman Simiński Strona : 40 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, wartości ujemne – przykłady 6 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with −1 −1 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with −1 −1 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ −1 −1 == −1 −1 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ −1 −1 == −1 −1 << 00 << 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == CF_1(przeziębienie) CF_1(przeziębienie) ++ CF_2(przeziębienie) CF_2(przeziębienie) ++ CF_1(przeziębienie)*CF_2(przeziębienie) CF_1(przeziębienie)*CF_2(przeziębienie) ==−1 −1 ++ (−1) (−1) ++ (−1) (−1) ∗∗ (( −1) −1) == −2 −2 ++ 11 == −1 −1 Copyright © Roman Simiński Strona : 41 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – różne znaki Reguły Reguły p 1: 1: if if pp then then rr with with CF_1 CF_1 CF_1 r 2: 2: if if qq then then rr with with CF_2 CF_2 gdzie: gdzie: (( CF_1 CF_1 ** CF_2 CF_2 << 00 )) q CF_2 oraz: oraz: CF_1 CF_1 ** CF_2 CF_2 ≠≠ −1 −1 Łączny Łączny CF(r) CF(r) dla dla CF_1(r) CF_1(r) << 00 ii CF_2(r) CF_2(r) << 0: 0: CF(r) = Copyright © Roman Simiński CF_1(r) + CF_2(r) 1 – min( |CF_1(r)|, |CF_2(r)|) Strona : 42 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji warunkowanych przez wiele reguł – różne znaki Konkluzja z ujemną wartością CF jest czynnikiem zmniejszającym łączną pewność. Jednak wpływ ten jest tym mniejszy, im większa jest pewność wniosku z dodatnią wartością CF. Wypadkowy współczynnik pewności zwiększa się w miarę zwiększania się liczby jednakowych wniosków o dodatnich współczynnikach pewności, nie stanie się on jednak równy lub większy 1. Wypadkowy współczynnik pewności zmniejsza się w miarę zmniejszania się liczby jednakowych wniosków o ujemnych współczynnikach pewności, nie stanie się on jednak równy lub mniejszy −1. Copyright © Roman Simiński Strona : 43 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, różne znaki – przykłady 7 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with −1 −1 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with 0.8 0.8 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ −1 −1 == −1 −1 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ 0.8 0.8 == 0.8 0.8 << 00 >> 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == −0.2/(1 −0.2/(1 −− 0.8) 0.8) == −0.2/0.2 −0.2/0.2 == −1 −1 Copyright © Roman Simiński Strona : 44 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, różne znaki – przykłady 8 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 11 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with −0.6 −0.6 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 11 == 11 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ −0.6 −0.6 == −0.6 −0.6 >> 00 << 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == 0.4/(1 0.4/(1 −− 0.6) 0.6) == 0.4/0.4 0.4/0.4 == 11 Copyright © Roman Simiński Strona : 45 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, różne znaki – komentarz Osobne reguły posiadające jednakowe konkluzje, opisują alternatywne drogi wnioskowania, prowadzące do tego samego wniosku. Jeżeli w trakcie wnioskowania realizowanego jedną ze ścieżek, konkluzja zostanie uznana za pewną (CF=1), wówczas niepewność wprowadzana przez ścieżkę alternatywną jest ignorowana. Jeżeli w trakcie wnioskowania realizowanego jedną ze ścieżek, konkluzja zostanie uznana za całkowicie niepewną (CF=−1), wówczas pewność wprowadzana przez ścieżkę alternatywną jest ignorowana. p CF(r)=1 CF=1 p CF=−1 r q Copyright © Roman Simiński −1<CF<0 CF(r)=−1 r q 0<CF<1 Strona : 46 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, różne znaki – przykłady 9 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 11 2: 2: if if bolGardła bolGardła then then przeziębienie przeziębienie with with −1 −1 Fakty Fakty CF(gorączka)=1 CF(gorączka)=1 CF(bolGardła)=1 CF(bolGardła)=1 CF(przeziębienie) CF(przeziębienie) zz reguł reguł 11 ii 2: 2: CF_1(przeziębienie)=1 CF_1(przeziębienie)=1 ∗∗ 11 == 11 CF_2(przeziębienie)=1 CF_2(przeziębienie)=1 ∗∗ −1 −1 == −1 −1 >> 00 << 00 Współczynniki pewności obu konkluzji obu reguł są ujemne Łączny Łączny CF(przeziębienie): CF(przeziębienie): CF(przeziębienie) CF(przeziębienie) == 00 Copyright © Roman Simiński Jeżeli z równą pewnością konkluzja jest całkowicie prawdziwa i całkowicie nieprawdziwa dla innej reguły, to nic nie można powiedzieć o pewności wniosku. Strona : 47 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, CF = 1 i CF =-1 Jeżeli z równą pewnością konkluzja będąca wynikiem pewnej reguły jest całkowicie prawdziwa i całkowicie nieprawdziwa dla innej reguły, to nic nie można powiedzieć o pewności wniosku. Przyjmujemy wtedy, że współczynnik pewności konkluzji równy jest 0. pada deszcz Na pewno tak CF=1 A bo ja wiem..? CF(r)=0 weź parasol jedziesz samochodem Copyright © Roman Simiński Na pewno nie CF=−1 Strona : 48 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji – podsumowanie e1 CF(h, e1) h e2 CF(h, e2) e1,e2 h CF(h, e1, e2) CF (h, e1, e2) = CF (h, e1) + CF (h, e2) − CF (h, e1)CF (h, e2), CF (h, e1) i CF (h, e2) ≥ 0 CF (h, e1) + CF (h, e2) CF (h, e1, e2) = , CF (h, e1) * CF (h, e2) < 0, 1 − min(| CF (h, e1)|,| CF (h, e2)|) CF (h, e1) + CF (h, e2) + CF (h, e1)CF (h, e2), CF (h, e1) i CF (h, e2) < 0 Copyright © Roman Simiński Strona : 49 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, łańcuch wnioskowania, przykład 1 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.5 0.5 2: 2: if if przeziębienie przeziębienie then then idzDoLekarza idzDoLekarza with with 11 Fakty Fakty CF(przeziębienie) CF(przeziębienie) ii CF(idźDoLekarza): CF(idźDoLekarza): CF(przeziębienie)=1 CF(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 CF(idźDoLekarza)=0.5∗ CF(idźDoLekarza)=0.5∗ 11 == 0.5 0.5 CF(gorączka)=1 CF(gorączka)=1 CF(gorączka)=1 CF(przeziębienie)=0.5 gorączka przeziębienie CF(r1)=0.5 Copyright © Roman Simiński CF(idźDoLekarza)=0.5 idźDoLekarza CF(r2)=1 Strona : 50 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, łańcuch wnioskowania, przykład 2 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.5 0.5 2: 2: if if przeziębienie przeziębienie then then idzDoLekarza idzDoLekarza with with −1 −1 Fakty Fakty CF(przeziębienie) CF(przeziębienie) ii CF(idźDoLekarza): CF(idźDoLekarza): CF(przeziębienie)=1 CF(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 CF(idźDoLekarza)=0.5∗ CF(idźDoLekarza)=0.5∗ −1 −1 == −0.5 −0.5 CF(gorączka)=1 CF(gorączka)=1 CF(gorączka)=1 CF(przeziębienie)=0.5 CF(idźDoLekarza)=−0.5 gorączka przeziębienie idźDoLekarza CF(r1)=0.5 Copyright © Roman Simiński CF(r2)=−1 Strona : 51 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, łańcuch wnioskowania, przykład 3 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.5 0.5 2: 2: if if przeziębienie przeziębienie then then idzDoLekarza idzDoLekarza with with 0.5 0.5 Fakty Fakty CF(przeziębienie) CF(przeziębienie) ii CF(idźDoLekarza): CF(idźDoLekarza): CF(przeziębienie)=1 CF(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 CF(idźDoLekarza)=0.5∗ CF(idźDoLekarza)=0.5∗ 0.5 0.5 == 0.25 0.25 CF(gorączka)=1 CF(gorączka)=1 CF(gorączka)=1 CF(przeziębienie)=0.5 CF(idźDoLekarza)=0.25 gorączka przeziębienie idźDoLekarza CF(r1)=0.5 Copyright © Roman Simiński CF(r2)=0.5 Strona : 52 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, łańcuch wnioskowania, przykład 4 Reguły Reguły 1: 1: if if gorączka gorączka then then przeziębienie przeziębienie with with 0.5 0.5 2: 2: if if przeziębienie przeziębienie then then idzDoLekarza idzDoLekarza with with −0.5 −0.5 Fakty Fakty CF(przeziębienie) CF(przeziębienie) ii CF(idźDoLekarza): CF(idźDoLekarza): CF(przeziębienie)=1 CF(przeziębienie)=1 ∗∗ 0.5 0.5 == 0.5 0.5 CF(idźDoLekarza)=0.5∗ CF(idźDoLekarza)=0.5∗ −0.5 −0.5 == −0.25 −0.25 CF(gorączka)=1 CF(gorączka)=1 CF(gorączka)=1 CF(przeziębienie)=0.5 CF(idźDoLekarza)=−0.25 gorączka przeziębienie idźDoLekarza CF(r1)=0.5 Copyright © Roman Simiński CF(r2)=0.5 Strona : 53 Systemy ekspertowe Reprezentacja wiedzy i wnioskowanie w warunkach niepewności Model współczynników pewności CF Współczynnik pewności konkluzji, łańcuchy wnioskowania – podsumowanie e1 CF(e1) CF( e2) e2 h e1,e2 h CF(h, e1, e2) CF ( h, e1, e 2) = CF (e 2, e1) * CF (h, e 2) Copyright © Roman Simiński Strona : 54