基于数据挖掘的知识推理课件.ppt

《基于数据挖掘的知识推理课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、数据挖掘技术与应用陈燕教授第11章基于数据挖掘的知识推理大连海事大学本章提纲知识推理的分类11.1基于数据挖掘方法的知识推理11.2小结11.311.1知识推理的分类11.1.1非单调推理11.1.2非确定性推理11.1.3基于规则的推理11.1.4基于案例的推理11.1.1非单调推理不完全信息处理问题几乎涉及到AI的所有领域，如机器人规划、视觉、诊断、专家系统、逻辑程序设计语言、自然语言理解及数据库等。正是由于在信息不完全下进行的推理的跳跃性，其结论是可证伪的，因此我们说经典的逻辑系统无法解决不完全信息下的推理问题。因

2、为在经典逻辑系统中由已知事实推出的结论是永真的，它决不会在已知事实增加时丧失。即随着它的公理系统的扩大，或者说加入任何公理到任意理论T中得到的新理论T1仍然保持T中的定理的有效性。即有：IFTPANDTT1THENT1P11.1.1非单调推理非单调推理至少在三种场合起到作用：（1）非完全知识库；（2）动态变化的知识库；（3）在问题求解时，常常预作一些临时假设，并在问题求解过程中根据当时情况对这些假设进行修正。11.1.2非确定性推理在实际应用中，各种知识表示及处理系统均会面临不良知识结构的问题，这是由于各种知识本身

3、的表达及推理并不像数学或物理等学科那样严格，或在某些情况下不需要那么严格。这一点在各种专家系统中尤为明显。在实际问题求解时，知识处理系统需要对非精确的数据和知识进行“非精确”处理。因此，提出了许多种非确定性推理模型，包括模糊推理、贝叶斯概率推理、D-S证据理论和粗糙集理论等。11.1.2非确定性推理模糊逻辑与模糊推理贝叶斯网络推理D-S证据方法粗糙集理论11.1.3基于规则的推理基于规则的推理（RuleBasedReasoning,RBR）是基于规则表示的知识系统，是基于领域专家知识和经验的推理，它将专家的知识和经验抽象

4、为若干推理过程中的规则。推理过程如图11.1所示。11.1.3基于规则的推理图11.1基于规则的一种推理方法11.1.4基于案例的推理1982年美国耶鲁大学RogerShank首次提出了基于案例的推理（CaseBasedReasoning,CBR）理论的认知模型及框架。CBR是以自然界的两大原则为理论前提：（l）世界是规则的，相似的问题有相似的求解方法和过程；（2）事物总是会重复出现的，我们遇到的（相似的）问题或事物总会重复出现的。11.1.4基于案例的推理1994年，Aamodt和Plaza指出一个CBR过程主要有四大

5、步骤：（1）检索（Retrieval）相似度较高的案例；（2）复用（Reuse）案例的方法并通过适当推理解决当前问题，生成新问题的初步解决方案；（3）修正（Revise）前述的解决方案使其更符合问题的描述；（4）学习/保留（Retain）新的案例到案例库中，该过程被成为R4模型。但是R4模型有两个不足之处：一是案例、问题和问题的解没有明确分离，二是该模型假定案例及案例库是已经存在的，回避了构建案例库也是CBR过程的一个重要任务。因此，G.Finnie增加Repartition过程，扩充R4模型形成R5模型，为建设案例库和

6、案例检索提供了基于相似的逻辑推理的数学基础。11.1.4基于案例的推理CBR系统具有以下特点：（1）高效的记忆能力。CBR系统直接援引过去的知识和经验，避免一切问题从头再来的弊端。不仅可以进行正面的学习，还可以避免以前的错误，从而一开始就可以直指问题的核心。（2）增量式的自主学习能力。CBR系统具有自主学习的功能，是一种增量式学习方法。随着事例的增加，事例库的覆盖度（求解问题的范围）逐渐提高；同时由于事例比规则获取容易，不需要完整的领域模型，通过事例的积累和经验的增加，使事例推理逐步实用化。（3）集成与扩展能力。它可以方

7、便地采用成本较低的原型系统进行开发，在以后的学习过程中不断增加新事例，修改旧事例，提高自己的判断推理能力。11.1.4基于案例的推理CBR系统一般工作过程如图11.2所示。图11.2CBR系统一般工作过程11.2基于数据挖掘方法的知识推理11.2.1基于决策树的知识推理11.2.2基于关联规则的知识推理11.2.3基于粗糙集的知识推理11.2.1基于决策树的知识推理决策树（decisiontree）学习是以实例为基础的归纳学习算法，是数据挖掘中经常要用到的一种简单、有效的分类算法。构造决策树的目的是从一组无次序、无规则的

8、事例中找出属性和类别间的关系，以便用它来预测将来未知类别的记录的类别。决策树可以用来分析数据辅助决策，也可以用来预测，它是一种由节点跟有向边组成的特殊的树结构。11.2.1基于决策树的知识推理根据层次的不同，节点分为根节点、内部节点和叶节点三类。树的根节点是整个决策树的开始，对应整个样本集，也就是学习的事例集。树的内