Download
1 / 35
350 likes | 566 Views
第 12 章 高階智慧型決策支援系統. 本章內容. 第二代的進階系統則進一步結合類神經網路、基因演算法、案例推理等多種技術，並加入了學習的功能，使其在各種領域的應用更具威力。 類神經網路的概念與應用。 基因演算法的概念與應用。 案例推理系統的概念與應用。. 類神經網路 (1/8). 類神經網路的最大特色是採非線性函數來建構模型，且具有漸進式學習的能力，能有效地對大量資料進行分析，以利各種非結構性決策的制定。 源起
E N D
本章內容 • 第二代的進階系統則進一步結合類神經網路、基因演算法、案例推理等多種技術，並加入了學習的功能，使其在各種領域的應用更具威力。 • 類神經網路的概念與應用。 • 基因演算法的概念與應用。 • 案例推理系統的概念與應用。
類神經網路(1/8) • 類神經網路的最大特色是採非線性函數來建構模型，且具有漸進式學習的能力，能有效地對大量資料進行分析，以利各種非結構性決策的制定。 • 源起 • 類神經網路理論起源於1950年代，當時科學家模仿人類大腦的組織及運作方式，開始提出稱之為「感知機」的神經元模型，這是最簡單也是最早的類神經模型，其通常被拿來做分類器使用。
類神經網路(2/8) • 倒傳遞網路學習模式 • 由上述說明可知，類神經網路模式的優劣，主要取決於神經元的數目、連接方式，以及連接之間的權數。連接方式與神經元數目通常在建模之前已經決定，因此，最重要的工作便是經由實例資料求出各連結之間的權數，以便求解新的問題。 • 在各種類神經模式之中，倒傳遞模式是用途最廣、商業應用範例最多的一種網路模式。
類神經網路(3/8) • 倒傳遞類神經網路架構即是前面所說的多層架構（至少三層），主要包含三個部分： • 輸入層 • 隱藏層 • 輸出層 • ANN在計算求解時，其順序是由輸入層→隱藏層→輸出層，根據輸入資料及權數來計算出加權值，再由轉換函數決定是否將該值列入下一層計算。
類神經網路(4/8) • 類神經網路的應用 • 類神經網路可用於監督式與非監督式學習。要應用類神經網路做預測及資料分類，有以下幾個基本步驟： • 蒐集足夠數量的輸入與輸出結果之案例，以便訓練該神經網路。這些案例通常可分為兩群，一群供訓練用（稱為訓練集）；另一群則做為評估由訓練集所產生的模式準確度（稱為評估集或測試集）。 • 選定隱藏層的數量與各層中神經元的數量。 • 選擇適當的轉換函數，並決定學習率與動力。 • 經長時間的學習調整，直到其誤差變化逐漸收斂至設定範圍內為止。
類神經網路(5/8) • 在實務應用上，台灣的台新銀行曾針對日益猖獗的信用卡盜刷犯罪案件，建置「類神經網路人工智慧詐欺偵測系統」（簡稱PRISM），並與VISA及聯合信用卡中心共同推出「持卡人風險辨識服務系統」（簡稱CRIS-NS）。 • 類神經網路強大的分析能力，在醫學界也發揮了強大的力量。例如，台北忠孝醫院即引進類神經網路判斷系統，判定中、重度頭部外傷病患能否恢復清醒。 • 在股市投資上運用類神經網路和套利定價理論結合，發現可以有效地找出更高報酬的投資組合。
類神經網路(6/8) • 軟體應用：波士頓房屋市場分析 • 請於XLMiner中載入BostonHousing.xls檔案為範例。在該資料中，輸入變項包含CRIM（社區內的犯罪率）、RM（每戶的平均房間數）、LSTAT（居民屬於社會較低階層的比例）、ZN（該社區住宅用土地的比例）等，以MEDV（在10萬元的中間價位房屋的擁有者數）為輸出變項，使用類神經網路工具計算輸入變項與輸出變項的關係式，便以訓練樣本做為類神經網路學習的參考資料（如圖12-5），因此，與實際系統的誤差較小，大約只有3.07%。而以確認資料為樣本，輸入到類神經網路後的誤差較大，大約為4.02%，這表示類神經網路對於從未見過的輸入，一樣會給予一個合理的輸出。
類神經網路(7/8) • 類神經網路的優缺點 • 優點 • 可以建構非線性的預測與分析模型。 • 有良好的擴充性，有些未知的輸入亦可得到適當的處理。 • 可以接受不同種類的變項做為輸入，適應性強。 • 可因應新增案例而機動調整其權數。
類神經網路(8/8) • 缺點 • 類神經網路以逐漸趨近的方式更新連結的權值與臨界門檻值，計算量大，相當耗費電腦資源。 • 所得到的模式並不保證是最佳的，事實上，可能有無限多組模式，因而無法得知哪一組的解為最佳解。 • 訓練的過程中無法得知需要多少神經元個數，太多或太少的神經元均會影響系統的準確性，因此，往往需以試誤法的方式得到適當的神經元個數。
基因演算法(1/6) • 基因演算法是一種模擬人類基因演化的模型。 • 源起 • 1950年代，生物學家與電腦學家合作，嘗試在電腦上模擬出基因的運作；1960年代初期，密西根大學的John Holland和他的同事們更將電腦化的遺傳學——染色體、基因、配對基因、適配函數等——應用到其他領域。1967年，Holland的一位學生J. D. Bagley在其畢業論文中首度創用了「基因演算法」這個名詞，來描述這種最適化的技術。1970年代，Holland發展出這項技術強而有力的理論基礎。主要重點包括：
基因演算法(2/6) • 以嚴密而具象的科學方法解釋自然界「物競天擇、適者生存」的演化過程。 • 將生物界中遺傳演化的重要機制以資訊科學軟體模擬。由達爾文進化論的觀點來看，物種是靠不斷地演化而產生最適合生存的下一代。
基因演算法(3/6) • 基因演算法的運作步驟 • 在基因演算法中的幾個重要成分為： • 基因與染色體是一串二元字串，任何問題要求解之前，都要先將可能解答轉換成此一形式。 • 群體：基因演算是以群體而非個體的方式進行，因此，要以一個群體做為進化的基礎。 • 適配函數：用來決定染色體優劣即期價值的函數。一個染色體的適配度的值（稱為配適值）愈高，表示愈優秀，在演化過程中被保留到下一代的機會就愈高。 • 遺傳運算：在演化的過程中，利用複製、交配，以及突變來提昇染色體的函數適配值。
基因演算法(4/6) • 基因演算法的演化過程。實際應用時包括以下幾個主要步驟： • 步驟1：把問題的解答或模式轉換成二元的基因與基因組。 • 步驟2：隨機產生一個群體，包括一群可能的答案。 • 步驟3：計算群體中不同基因組的適配值。 • 步驟4：依適配值計算所有基因組存活至下一代的機率，以及需要的交配及突變，產生下一代群體。 • 步驟5：重複步驟4，直到對群體品質感到滿意或需要終止時為止。
基因演算法範例(1/2) • 圖12-7 基因演算法求解函數值之例
基因演算法範例(2/2) • 表12-1 四個隨機產生的基因組
圖12-8 基因演算過程的三個運算元；選擇、交配以及突變
基因演算法(5/6) • 基因演算法的優缺點 • 優點 • 產生的結果容易瞭解 • 可以處理不同類型的資料 • 可以用在複雜的最佳化問題求解 • 可以和類神經網路及其他技術整合 • 缺點 • 許多問題編碼的困難 • 不保證最佳化 • 運算成本極高 • 可以運用的商業套裝軟體不多
基因演算法(6/6) • 基金演算法的應用 • 張佑偉(1999)在碩士論文中便利用基因演算法來分析技術指標，以便判斷股市的買賣點。 • 在排程管理方面，高雄第一科技大學成功整合並開發完成的「模具業動態生產排程」與「被動元件遠端監控與工時排程系統」，是以「遺傳基因演算法」為主軸發展的系統。主要功能為，可把工作順序及工作時間，從數十萬甚至數百萬種排列組合中，篩選出最佳工時作業狀態。
案例推理 • 案例推理是以案例為基礎的推理系統。CBR可以蒐集解決舊問題的案例加以整理，並用來找出解決未來問題的方法。 • 案例推理系統的類型 • 案例推理的步驟 • 為新案件製作索引 • 找出相似案例 • 修改解決方法 • 評估與測試 • 方案應用 • 修正與測試 • 歸類與儲存結果
案例的三種型態 • 淘汰的案例 • 許多信用卡申請被退件者均是沒有工作的人，則我們可以歸納出「若申請人沒有工作，則退件」的法則，而不需要將所有案例均存於案例庫中。 • 典範的案例 • 美國的越戰經驗便是往後是否派兵赴海外作戰的一個例外案例。 • 獨特的故事 • 國父革命十次的故事，便可以做為鼓勵他人做事需有毅力、不怕失敗。而牛頓在蘋果樹下領悟地心引力的故事，亦可做為鼓勵他人要善用思考。
案例推理的應用 • 應用案例推理系統有幾個主要的重點： • 案例的表達 • 相似性函數 • 修正的知識 • 中國菜烹飪的專家系統，當使用者買了白菜要炒豬肉時，它可以找出案例庫中青椒炒牛肉的食譜做法，再依白菜與青椒的不同及豬肉與牛肉的不同，修改原食譜的炒菜順序，而建立新的食譜。 • 勞資談判或法官判案。 • 高階管理舞弊診斷系統。高階管理舞弊診斷工具是由D&T所發展的案例推理系統，是用來幫助會計師評估客戶公司之高階管理階層發生舞弊之可能性。
