43
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
этапах, что может увеличить время обучения и ограничить адаптационные свой-
ства системы.
Добавление элементов повторяется до тех пор, пока ошибка по обучающей
выборке не достигнет приемлемой величины, заданной экспертом, или пока она
не перестанет уменьшаться.
При этом следует понимать, что в некоторых случаях дальнейшее добавле-
ние еще нескольких элементов-правил может все же привести к уменьшению
ошибки. В качестве примера рассмотрим ситуацию, когда один элемент покры-
вает 4 примера из задачника (т.е. соответствующее правило срабатывает при
описываемых ими условиях), но в одном из них вывод оказывается ложным.
Пусть других ошибок система не допускает, тогда при наличии 20 примеров в
задачнике средняя ошибка будет равна 0,05. Замена упомянутого элемента, реа-
лизующего обобщающее четыре случая правило, двумя элементами (путем до-
бавления одного нового и дальнейшей коррекции параметров элементов) в об-
щем случае не приведет к правильному решению всех четырех примеров. Более
того, так как покрыты будут только два примера, средняя ошибка увеличится до
0,1.
Лишь добавление еще двух элементов сможет привести к полностью без-
ошибочному решению задачи. Подобные ситуации возникают при попытках по-
лучения списка правил, покрывающего все примеры из небольшой (несколько
десятков строк) обучающей выборки. Для успешного решения таких задач сле-
дует значительно увеличить цену ложного срабатывания, вплоть до такого зна-
чения, когда одна ошибка подобного типа перекроет любое число ошибок типа
"
пропуск". Тогда система будет пытаться найти исчерпывающий список правил,
каждое из которых покроет один-два примера. Следует помнить, что в этом слу-
чае повышается опасность "переобучения".
При значительном объеме обучающей выборки (когда число правил БЗ
должно быть заведомо меньше числа примеров) рекомендуется задать одинако-
вые или отличающиеся всего в несколько раз цены для обоих типов ошибок. То-