1 / 24

Bizonytalanság

Bizonytalanság. A teljesen megbízható következtetést lehetővé tevő tudás hiánya Egy esemény bizonytalansága objektív szubjektív Módszerek numerikus módszerek szimbolikus módszerek. Numerikus modellek. Elméletileg megalapozott modellek Bayes-modell Bayes-hálók

natan
Download Presentation

Bizonytalanság

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Bizonytalanság • A teljesen megbízható következtetést lehetővé tevő tudás hiánya • Egy esemény bizonytalansága • objektív • szubjektív • Módszerek • numerikus módszerek • szimbolikus módszerek

  2. Numerikus modellek • Elméletileg megalapozott modellek • Bayes-modell • Bayes-hálók • Dempster-Shafer féle megbízhatóságelmélet • Fuzzy-modell • Heurisztikus modellek • MYCIN-modell/CF modell • M.1-modell • PROSPECTOR-modell

  3. Példa: Időjárás-előrejelzés

  4. Kezdeti szabályok Szabály: 1 IF ma esik THEN holnap esik Szabály: 2 IF ma száraz THEN holnap száraz

  5. Kiegészítés Szabály: 1 IF ma esik {LS 2,5 LN 0,6} THEN holnap esik {a priori 0,5} Szabály: 2 IF ma száraz {LS 1,6 LN 0,4} THEN holnap száraz {a priori 0,5}

  6. Elégségesség valószínűsége (likelihood of sufficiency) • Szükségesség valószínűsége (likelihood of necessity)

  7. Időjárás általános valószínűsége - esélyek • Előzetes esély • A posteriori esélyek O(H|E) = LS * O(H) O(H|E’) = LN * O(H) • A posteriori valószínűségek

  8. Újabb szabályok Szabály 1 IF ma esik {LS 2,5 LN 0,6} THEN holnap esik {a priori 0,5} Szabály 2 IF ma száraz {LS 1,6 LN 0,4} THEN holnap száraz {a priori 0,5} Szabály 3 IF ma esik AND kevés eső {LS 10 LN 1} THEN holnap száraz {a priori 0,5}

  9. Szabály 4 IF ma esik AND kevés eső AND hőmérséklet hideg {LS 1,5 LN 1} THEN holnap száraz {a priori 0,5} Szabály 5 IF ma száraz AND hőmérséklet meleg {LS 2 LN 0,9} THEN holnap esik {a priori 0,5} Szabály 6 IF ma száraz AND hőmérséklet meleg AND ég felhős {LS 5 LN 1} THEN holnap esik {a priori 0,5}

  10. Mennyi szúnyog lesz nyáron? 1 HA enyhe a tél AKKOR sok a szúnyog p(H) = 0,7 2 HA hideg a tél AKKOR kevés a szúnyog p(H) = 0,3 p(enyhe tél | sok szúnyog) = 0,6 p(enyhe tél | kevés szúnyog) = 0,3 p(hideg tél | sok szúnyog) = 0,4 p(hideg tél | kevés szúnyog) = 0,7

  11. 3 HA enyhe a tél ÉS permeteztek AKKOR kevés a szúnyog 4 HA hideg a tél ÉS nem permeteztek AKKOR kevés szúnyog p(permeteztek és hideg tél| sok szúnyog) = 0,2 p(permeteztek és hideg tél | kevés szúnyog) = 0,9 p(nem permeteztek és hideg tél | sok szúnyog) = 0,8 p(nem permeteztek és hideg tél | kevés szúnyog) = 0,1 4a HA hideg a tél ÉS nem permeteztek AKKOR sok szúnyog

  12. 5 HA hideg a tél ÉS nem permeteztek ÉS sok a víz a környéken AKKOR sok a szúnyog p(sok víz és h.t és n.p. | sok szúnyog) = 0,8 p(sok víz és h.t és n.p. | kevés szúnyog) = 0,1 p(kevés víz és h.t és n.p. | sok szúnyog) = 0,2 p(kevés víz és h.t és n.p. | kevés szúnyog) = 0,9

  13. 6 HA hideg a tél ÉS nem permeteztek ÉS nincs sok madár AKKOR sok a szúnyog p(sok madár és h.t és n.p. | sok szúnyog) = 0,5 p(sok madár és h.t és n.p. | kevés szúnyog) = 0,6 p(kevés madár és h.t és n.p. | sok szúnyog) = 0,5 p(kevés madár és h.t és n.p. | kevés szúnyog) = 0,4

  14. Bizonyossági tényezők • Szabályok alakja: IF E igaz THEN H igaz [cf] • Példa: HA tiszta az ég (E) AKKOR az előrejelzés napos (H)[cf 0,8] • Bizonyossági tényező: certainty factor • cf = [-1;+1]

  15. Bizonytalanság számszerűsítése

  16. Következtetés bizonyossági tényezőkkel • Szabály feltételrészének bizonyossági tényezője: cf(E) • ÉS kapcsolatban: cf(E) = min(cf1, cf2, …, cfn) • VAGY kapcsolatban: cf(E) = max(cf1, cf2, …, cfm) • Következmény bizonyossági tényezője • cf(H,E) = cf(E) * cf(H) • Példa. HA tiszta az ég (E) AKKOR az előrejelzés napos (H) [CF 0,8] cf(H,E) = 0,5 * 0,8 = 0,4

  17. Példa összetett feltételre HA ma száraz [cf 0,7] ÉS hőmérséklet meleg [cf 0,5] ÉS ég felhős [cf 0,2] AKKOR holnap esik [cf 0,4]

  18. Ha több szabály vonatkozik egy hipotézisre • Következmény bizonyossági tényezője • több szabály esetén – ezek ugyanarra a hipotézisre vonatkoznak, az egyik tényező negatív • Ha minden tényező pozitív

  19. Ha minden tényező pozitív Ha minden tényező negatív

  20. Példa – több szabály, 1 következmény • Szabály 1 HA a kutya ugat AKKOR nem harap [cf 0,8] • Szabály 2 HA a kutya csóválja a farkát AKKOR nem harap [cf 0,9]

  21. Példa – következtetési lánc • Szabály 1 HA a kutya ugat AKKOR nem harap [cf 0,8] • Szabály 2 HA a kutya csóválja a farkát AKKOR nem harap [cf 0,9] • Szabály 3 HA a kutya nem harap AKKOR be lehet menni a kapun [cf 0,7]

  22. Következtetési láncok - hit mértéke

  23. „Hitetlenség” mértéke

  24. A következmény bizonyossági tényezője

More Related