Агроном

[Natalia]

Дима, сообщаю вам по секрету: иногда хирургическая операция - единственно возможный метод лечения. Но если консервативная терапия помогает, никто не будет ампутировать голову при насморке.

[Eugene Lutsenko]

Все нормально, давайте продолжать. Но хотелось бы решить задачу

[Akim Onoke]

Получил визуализацию когнитивных функций для своей задачи. Как только Natalia поругала. так сразу все понял. Если исходные данные для новой задачи находятся в файле Inp_data.xls , то запускать новый проект нужно с пункта 2.3, а не с 2.1 и 2.2 как я пытался. К пунктам 2.1 и 2.2 можно вернуться, если потребуется корректировка шкал. Формат Inp_data.xls простой. номера строк Ecxel ставит сам . В первой строке колонкам присваиваем имена. например, NAME СLAS Param1... ParamN-1
В данном случае выходная величина единственная, т.е. класс один. Дальше идут названия описательных шкал, т.е. параметров от которых зависит состояние класса (пока он в примере один). Запускаем режим 2.3 и сообщаем, что будем вводить при помощи программируемого интерфейса ввода данных.
При вводе сообщаем на сколько градаций предлагается разбить классы. Обычно на 5.
Но перед этим наш файл с исходными данными должен находится в папке Inp_data, там такой файл есть, его просто надо заменить на свой. При вводе, если класс один то сообщаем колонка класса начальная 2 и конечная 2. Начальная колонка описательных шкал 3 и дальше считаем и сообщаем конечную колонку последнего параметра ParamN-1. Формируем модель и дальше выполняем все режимы по порядку с возрастанием их номеров и ждем сообщения о завершении режимов. Если режим будет выполняться долго, то это говорит о недостаточной мощности компьютера и от такого компьютера следует отказаться.
Еще раз обращаю внимание на файл Inp_data.xls с входными данными. Это статистика с значениями выходных величин и параметров, от которых она (они) зависит. Получить ее сложно, но специалист в той области, в которой он решает задачу, примерно знает как она выглядит. Выходными данными системы являются Информационные портреты классов - режим 4.2.1 Там будет указана сила влияния параметров на состояния класса. И замечательной иллюстрацией является визуализация когнитивных функций. Отличный интерфейс, но его надо настроить, чтобы рисунки не выходили за поле экрана.
Дальше выбираем номер класса и номер описательной шкалы, и делаем выводы. Это еще не все режимы, которые есть в системе. О чем познакомился, о том пишу. Если не так, то поправьте.

[Eugene Lutsenko]

Термины и кое-какие шаги не так, поправлю чуть позже когда будет время. Но прогресс есть. Когда одна колонка классов класс не один, а одна классификационная шкала. Если надо что-то делать с классификационными и описательными шкалами, добавлять, удалять, то это надо делать не в режимах 2.1 и 2.2, а в файле исходных данных Inp_data.xlsx и в режиме 2.3.2.2. Никакой статистики в исходном файле может не быть, а просто эмпирические данные. Но это зависит от задачи.

[Natalia]

Свою базу согласно задаче надо формировать в EXCEL, описательные шкалы (параметры, факторы) подобрать по возможности те, влияние которых на исследуемые классификационные шкалы предполагается, но если хотите проверить какую-то свою догадку, или не знаете, с какого конца подойти к решению задачи, можно включать все мыслимые и немыслимые параметры, как делала я, когда начинала работать с землетрясениями. Классификационные шкалы - те исследуемые события или показатели, что испытывают информационное воздействие со стороны параметров (или предположительно коррелируют с ними). Важным фактором является количество градаций (классов и факторов), которое вы задаете, но это всецело зависит от задачи, которую вы перед собой ставите. Свою базу (Файл Inp_data) помещаете в папку Inp_data, в режиме администрирования создаете новое приложение, и в режиме 2.3.2.2. оповещаете программу, что вы считаете классами, а что факторами. После окончания этого режима запускаете режим 3.5. и после окончания расчетов выводные формы смотрите в режиме 4.1.3. Это - для первого этапа. Потом отсеиваете малозначащие факторы и все сначала. Пока все просто, и первым делом надо сформировать свою базу для решения своей задачи.

Если формируете свою базу согласно временному фактору, но событие (например, землетрясение) случается не каждый день, Евгений Вениаминович написал программу, которая склеивает элементы классификационных шкал и описательных шкал воедино (это я уже все для Татьяны и Елены).

[Eugene Lutsenko]

Akim Onoke!

Если Вы агроном, то может быть Вас заинтересуют главы из книг:

Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). – Краснодар: КубГАУ. 2005. – 480 с.

Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). – Краснодар: КубГАУ, 2008. – 257 с.

Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). – Краснодар, КубГАУ. 2013. – 168 с. ISBN 978-5-94672-644-3

которые есть здесь: http://lc.kubagro.ru/aidos/index.htm

[Akim Onoke]

Какой уровень сходства "Объект-класс" считается удовлетворительным? И что делать с нераспознанными объектами? Что означает факт с галочкой V?

[Eugene Lutsenko]

Какой уровень сходства "Объект-класс" считается удовлетворительным? И что делать с нераспознанными объектами? Что означает факт с галочкой V?

«Что означает факт с галочкой V?»
Птичкой отмечены результаты идентификации объектов обучающей выборки с классами, совпавшие с фактом.

«И что делать с нераспознанными объектами?»
Надо попытаться понять, почему эти объекты не распознались, в чем их особенности. Для этого имеет смысл создать для них отдельные классы. В старой системе был режим дивизивной кластеризации (разделения классов на типичную и нетипичную части), но в новой версии я этот режим еще не реализовал. Об этом у меня есть много статей, например:

Луценко Е.В. Повышение адекватности спектрального анализа личности по астросоциотипам путем их разделения на типичную и нетипичную части / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2008. – №02(036). С. 153 – 174. – Шифр Информрегистра: 0420800012\0017, IDA [article ID]: 0360802010. – Режим доступа: http://ej.kubagro.ru/2008/02/pdf/10.pdf, 1,375 у.п.л.

Луценко Е.В. Повышение качества моделей «knowledge management» путем разделения классов на типичную и нетипичную части / Е.В. Луценко, Е.А. Лебедев, В.Н. Лаптев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2009. – №10(054). С. 78 – 93. – Шифр Информрегистра: 0420900012\0109, IDA [article ID]: 0540910005. – Режим доступа: http://ej.kubagro.ru/2009/10/pdf/05.pdf, 1 у.п.л.

Лебедев Е.А. Исследование достоверности оптимизированной модели скоринга путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели / Е.А. Лебедев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2007. – №06(030). С. 213 – 224. – Шифр Информрегистра: 0420700012\0107, IDA [article ID]: 0300706016. – Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf, 0,75 у.п.л.

"Какой уровень сходства "Объект-класс" считается удовлетворительным? "
В режимах 4.1.3.6 мы видим результаты оценки достоверности моделей и количество ошибок идентификации и не идентификации. Почитайте Помощь по этому режиму. В режиме 4.1.3.9 есть частотные распределения (в т.ч. их график, который советую изучить), уровней сходства верно и ошибочно идентифицированных и неидентифицированных объектов обучающей выборки, который позволяет ответить на этот вопрос. Об этом тоже есть статьи:

Луценко Е.В. Системно-когнитивный анализ временных рядов на примере фондового рынка (прогнозирование, принятие решений и исследование предметной области) / Е.В. Луценко, Е.А. Лебедев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2009. – №07(051). С. 47 – 82. – Шифр Информрегистра: 0420900012\0071, IDA [article ID]: 0510907003. – Режим доступа: http://ej.kubagro.ru/2009/07/pdf/03.pdf, 2,25 у.п.л.

[Akim Onoke]

Евгений Вениаминович подсказывает: "Выбрать любую модель в качестве текущей можно в режиме 5.6, который работает достаточно быстро. После этого режим 4.1.2 работает с выбранной моделью."

[Eugene Lutsenko]

СУТЬ МЕТОДА СИСТЕМНО-КОГНИТИВНОГО АНАЛИЗА
Метод системно-когнитивного анализа (СК-анализ) является методом искусственного интеллекта, т.к. позволяет выявлять знания из данных и применять их для прогнозирования, принятия решений и исследования предметной области. Этот метод имеет как свое теоретическое обоснование, так и программный инструментарий – интеллектуальную систему «Эйдос» .
Поэтому рассмотрим, что такое знания с точки зрения СК-анализа. Для этого необходимо раскрыть соотношение содержания понятий: «данные», «информация» и «знания» .
Данные – это информация, рассматриваемая безотносительно к ее смысловому содержанию, находящаяся на носителях или в каналах связи и представленная в определенной системе кодирования или на определенном языке (т.е. в формализованном виде).
Информация – это осмысленные данные. Смысл, семантика, содержание (согласно концепции смысла Шенка-Абельсона ) – это знание причинно-следственных зависимостей.
Знания – это информация, полезная для достижения целей (рисунок 1).

Рисунок 1. Соотношение содержания понятий:
«данные», «информация», «знания»
Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:
– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
– знания, формализованные на естественном вербальном языке;
– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними;
– знания в форме технологий, организационных производственных, социально-экономических и политических структур;
– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие модели представления знаний).
Суть метода СК-анализа состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:
– преобразовать исходные данные в информацию;
– преобразовать информацию в знания;
– использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.
Для этого в АСК-анализе предусмотрены следующие этапы:
1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).
2. Формализация предметной области:
– разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);
– использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исследуемой выборки.
3. Синтез и верификация (оценка степени адекватности) модели.
4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области.
Для синтеза моделей в АСК-анализе в настоящее время используется 7 частных критериев знаний, основной и исторически первый из которых семантическая мера целесообразности информации А.Харкевича , а для верификации моделей два интегральных критерия.
СК-анализ обеспечивает корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения. В СК-анализе факторы формально описываются шкалами, а значения факторов – градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные), но в СК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации. Именно по этой причине вполне корректно складывать силу и направление влияния всех действующих на объект значений факторов, независимо от их природы, и определять результат совместного влияния на объект системы значений факторов .