A hagyományos üzleti logika elve a sok feltétel vizsgálat, kiértékelési algoritmus elágazásai (IF-ágak), súlytényezők egyéb művelet elemek együttese határozza meg a beavatkozási értéket (megadja a probléma megoldás lehetőségét)
A beavatkozási érték és a beavatkozási művelet elvégzi a várt tevékenységet (megoldja a problémát)..
A modern üzleti logika már inkább osztályozás, regresszió, korreláció vizsgálatok, döntési fák használata és tanulási algoritmusokkal építkezik.
Nézzük meg mik is ezek:
Egy döntési fa (decision tree) bemenetként egy attribútumokkal (attributes) leírt objektumot vagy szituációt kap, és egy „döntést” ad vissza eredményként – a bemenetre adott válasz jósolt értékét.
Egy döntési fa tanulásra szolgáló, valós problémák megoldását célzó rendszernek képesnek kell lennie mindezen problémák kezelésére. A folytonos értékű változók kezelése különösen fontos, mivel mind a fizikai, mind a gazdasági folyamatok numerikus értékekkel jellemezhetők.
A gyakorlatban ez valamilyen modellezési eszköz (SPSS modeler) megfelelő nodokba beköltve felparaméterezve gyámánt(-ok) legyártása és a gyémánt(-ok) folyamatba illesztése szintén megadja a probléma megoldás lehetőségét.
Az ilyen modellben később csak tanítani (friss teszt mintákon áteresztve a gyémántot frissíteni kell) és nem kell új nodokat, kapcsolatokat szabályokat bővíteni, mert a modell maga fedezi fel az újabb összefüggéseket, súlyokat, ... és úgy dolgozik, ahogy a az egyes teszt adat és elvárt kimenet relációja változik (tanuló modell).
A beavatkozási érték és a beavatkozási művelet elvégzi a várt tevékenységet (megoldja a problémát)..
A modern üzleti logika már inkább osztályozás, regresszió, korreláció vizsgálatok, döntési fák használata és tanulási algoritmusokkal építkezik.
Nézzük meg mik is ezek:
Egy döntési fa (decision tree) bemenetként egy attribútumokkal (attributes) leírt objektumot vagy szituációt kap, és egy „döntést” ad vissza eredményként – a bemenetre adott válasz jósolt értékét.
A bemeneti attribútumok lehetnek diszkrétek vagy folytonosak.
A kimeneti érték szintén lehet diszkrét vagy folytonos; egy diszkrét értékkészletű függvény tanulását osztályozás (classification) tanulásnak, míg a folytonos függvény tanulását regressziónak (regression) nevezzük.
Bináris (Boolean) osztályozásra fogok koncentrálni, ahol minden példát vagy igaznak (pozitív), vagy hamisnak (negatív) sorolunk be.
A döntési fa egy tesztsorozat elvégzése során jut el a döntéshez.
A döntési fa egy tesztsorozat elvégzése során jut el a döntéshez.
A fa minden egyes belső csomópontja valamely tulajdonság értékére vonatkozó tesztnek felel meg, a csomópontból kilépő ágakat pedig a teszt lehetséges kimeneteivel címkézzük.
Minden egyes levélcsomópont megadja azt az értéket, amelyet vissza kell adnunk, ha ezt a levelet elértük
Egy döntési fa tanulásra szolgáló, valós problémák megoldását célzó rendszernek képesnek kell lennie mindezen problémák kezelésére. A folytonos értékű változók kezelése különösen fontos, mivel mind a fizikai, mind a gazdasági folyamatok numerikus értékekkel jellemezhetők.
A gyakorlatban ez valamilyen modellezési eszköz (SPSS modeler) megfelelő nodokba beköltve felparaméterezve gyámánt(-ok) legyártása és a gyémánt(-ok) folyamatba illesztése szintén megadja a probléma megoldás lehetőségét.
Az ilyen modellben később csak tanítani (friss teszt mintákon áteresztve a gyémántot frissíteni kell) és nem kell új nodokat, kapcsolatokat szabályokat bővíteni, mert a modell maga fedezi fel az újabb összefüggéseket, súlyokat, ... és úgy dolgozik, ahogy a az egyes teszt adat és elvárt kimenet relációja változik (tanuló modell).
Megjegyzések
Megjegyzés küldése