Агроном

[Eugene Lutsenko]

Там в каждой строчке даны определения ипользуемых переменных. Если этого недостаточно - можете использовать для INF6 латинский алфавит, а для INF7 - греческий. В принипе я с Вами согласен. Если Вам так удобнее - введите свои обозначения. При программировании программы расчета не отличаются, различие только в источнике данных, поэтому мне так было удобнее. В этом факте тоже содержится полезная информация.

[Akim Onoke]

Из-за большого объема публикаций физически не удается все прочитать. Но остается непонятным следующий вопрос.
Для каждой модели рассчитывается количество ошибок первого и второго рода. Кто этот арбитр? Как эти ошибки определяются? Если существует универсальная модель (безошибочная), то может ее надо сразу ее и применять?

[Eugene Lutsenko]

Из-за большого объема публикаций физически не удается все прочитать. Но остается непонятным следующий вопрос.
Для каждой модели рассчитывается количество ошибок первого и второго рода. Кто этот арбитр? Как эти ошибки определяются? Если существует универсальная модель (безошибочная), то может ее надо сразу ее и применять?

Эти ошибки вычисляются при распознавании обучающей выборки. Арбитр тот, кто ее формировал. Для разных случаев разные модели показывают наилучшие результаты (поэтому мы с Александром Петровичем использовали алгоритмы голосования моделей), но обычно модели знаний намного лучше статистических.

Положительный псевдопрогноз.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

Отрицательный псевдопрогноз.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Идеальный прогноз.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

Реальный прогноз.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.
Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

[Akim Onoke]

Если обучающая выборка составлена пользователем неправильно, тогда все сформированные модели будут неверными и полученные результаты применять нельзя. Что же тогда делать?

[Eugene Lutsenko]

Если обучающая выборка составлена пользователем неправильно, тогда все сформированные модели будут неверными и полученные результаты применять нельзя. Что же тогда делать?

Если в лучшую в мире мясорубку, пусть даже за миллион долларов, загрузить пропавший фарш, то получите отвратительные котлетки, но разработчики и изготовители мясорубок здесь не при чем. Что же делать? Загружать нормальный фарш! Из дерьма конфетку не вылепишь. Но вообще-то вылепить можно, но она все равно будет не шоколадная, а из дерьма

[ТВЧ]

Крутить мясорубку можно, но загружать что попало не рекомендуется!

[Natalia]

Как это я пропустила такую дискуссию о фаршах и мясорубках?

Если Эйдос вдруг выдал некорректный результат, ищите ошибки в своей базе - у меня был подобный момент истины.

[Akim Onoke]

Все понятно, правильные данные решают все.
Но вопросы не кончаются. Если критерии знаний INF1-INF7 не связаны между собой и вычисляются по разным формулам, то зачем выбирать модель в качестве текущей? И если поменять текущую модель, то результаты поменяются? Не понятно.
Еще совсем бредовая мысль: "Если известны величины сил и направлений влияния параметров описательных шкал на величины градаций квалификационных шкал, то если выполнить нормирование параметров описательных шкал в диапазоне от 0 до 1 согласно выражения
(Х - Хмин)/(Хмах-Хмин) и умножить результат на силу влияния параметров описательных шкал, то можно получить аналитическую зависимость поведения исследуемого процесса". Ведь все величины будут безразмерными и их можно перемножать, складывать и вычитать. Это может дать упрощение процедуры прогнозирования состояния объекта. Получил функцональную зависимость, пронормировал входные данные, подставил их в выражение и сразу получил результат. Прошу рассмотреть такое предложение, хотя оно может показаться абсурдным.

[Eugene Lutsenko]

Выбирать модель в качестве текущей имеет смысл потому, что не все режимы работают сразу во всех моделях, а некоторые режимы, например: 4.1.2, работают только с текущей моделью. Это сделано для экономии времени расчетов и упрощения программной реализации. В качестве текущей выбирают наиболее достоверную модель по результатам режима 4.1.3.6.

Предложение нормировать и т.д., считаю не рациональным по следующим причинам.

Сила и направление влияния градаций описательных шкал на градации классификационных (а не квалификационных, хотя по смыслу похоже) шкал и так выражена в одних и тех же единицах измерения. Для модели INF1 - это универсальная единица измерения "количество информации". Поэтому с ними и так можно выполнять все математические операции. Как говорится "за что боролись", т.е. так и было ИЗНАЧАЛЬНО задумано и это было ВО ВСЕХ версиях системы "Эйдос" еще с 1979 года:

Луценко Е.В. 30 лет системе «Эйдос» – одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2009. – №10(054). С. 48 – 77. – Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. – Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2013. – №08(092). С. 859 – 883. – IDA [article ID]: 0921308058. – Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

А нормировка устранит важнейший результат метризации до информационных шкал: отражены не только направление, но и СИЛА влияния. И вот эту силу влияния Вы потеряете после нормировки (как и при стандартизации).

Но возможно я ошибаюсь. надо проверить на численных примерах Вашу идею. Возможно в ней что-то есть. Попробуйте.

Еще бы я советовал ознакомиться с понятием когнитивной функции, т.к. оно перекликается в Вашим предложением. По сути это тоже самое, только без нормировки, в единицах измерения знаний любой из моделей. Это лучше всего сделать по статье:

Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2014. – №01(095). С. 122 – 183. – IDA [article ID]: 0951401007. – Режим доступа: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.

но надо пройтись и по всем ссылкам, которые даны в этой статье.

Еще см. http://www.mesi.ru/upload/iblock/b5a/%D ... %D0%9E.pdf
может что пригодится.

[Eugene Lutsenko]

Как это я пропустила такую дискуссию о фаршах и мясорубках?

Если Эйдос вдруг выдал некорректный результат, ищите ошибки в своей базе - у меня был подобный момент истины.

Что касается фарша я бы подытожил эту ассоциацию таким рассуждением:

Система Эйдос находит закономерности в выборке и создает соответствующую модель, а мы хотим находить их в реальности и хотим, чтобы наши модели отражали не выборку, а реальность. Для этого нужно всего лишь чтобы и выборка отражала реальность, т.е. была репрезентативной. Это вопрос о придании онтологического статуса модели, созданной на основе ограниченного описания реальности. Это вообще фундаментальный философский вопрос и на сколько я знаю, он до сих пор не решен.