第04讲智能决策理论与方法-1.ppt

1、决策理论和方法(4)智能决策理论和方法(1)，2 2020。不确定性决策，不确定性决策：表示各种状态发生的概率和未来状态也很难掌握的决策问题。特征：状态的不确定性。不确定性：不确定性源于人类主观认识和客观实际之间的差异。事物的随机性、人类知识的不完全、可靠性、不准确、不一致、自然语言的模糊性和模糊性都反映了这些差异，并带来了不确定性。不确定性可能导致具有相同说明信息的对象属于不同的概念。问题解决主要理论方法：人工智能和不确定性理论、智能决策理论和方法、1、智能决策理论的形成背景2、知识发现3、粗糙集理论4、机器学习、智能决策理论和方法的形成背景，人类面临着越来越复杂的决策工作和决策环境：与决策

2、问题相关的变量大小越来越大。决策依赖信息具有不完全性、模糊性、不确定性等特点，很难定量表达决策问题。一些决策问题及其目标可能模糊不清，决策者很难明确自己的偏好，随着决策分析的深入，对决策问题的认识不断加深，出现了现有偏好/倾向不断修改，决策过程不断调整的情况。传统的决策数学模型也是复杂的决策问题、具有不确定性的决策问题、半结构化、智能决策理论和方法AI的应用模式、智能决策方法是应用人工智能(Artificial Intelligence，AI)相关理论方法，是将传统决策数学模型和方法相结合的智能推理和解决方法的决策方法。一般的特点是不确定、不完整、可以在模糊的信息环境中应用，有两种茄子主要模式

3、将AI应用于决策科学。对于可以正确构建数学模型的决策问题，组合爆炸、参数过多等问题的解决是不可能的，因此需要通过AI的智能搜寻演算法来获得问题的数值解法。对于不能创建精确数学模型、半结构化或非结构化决策问题的不确定性决策问题，必须使用AI方法构建相应的决策模型，并获得问题的近似解决方案。智能决策理论和方法，1，智能决策理论的形成背景2，知识发现3，粗糙集理论4，机器学习，知识发现动机，智能决策核心是如何获取决策支持信息和知识。问题知识收集是知识库系统(KBS)的最大瓶颈，知识发现动机，获取问题推理规则与KBS的知识收集一样困难，因此基于案例的推理牙齿逐渐转变为基于案例的搜索。知识发现动机，问题

4、数据分析员与医生决策者之间的问题了解偏差创造性决策建议的技术问题不足：查询效率(RDBMS)，知识发现动机，优势知识问题本身独立于知识获取主要数据挖掘，知识发现动机，KDD提供的新问题知识发现问题数据异构问题，数据噪音，信息不完整，什么数据本身具有权威性，客观性，但没有知识。如何评价知识？知识发现基本概念，知识发现(KDD):在大量数据中隐式(也称为数据挖掘)。牙齿过程主要包括三个阶段：数据准备阶段、数据挖掘阶段和解释评估阶段。、知识发现基本概念、数据准备阶段通常包括数据选择、字典处理和数据转换等任务。选择数据：根据您的需要从原始数据集提取样本数据集，以确定挖掘任务的操作数。一般数据源：关系数

5、据库数据：市场营销数据库文本数据：内容挖掘(如web内容挖掘，查找类似页面)web数据：网站结构数据(如web结构挖掘，网站设计最优化，网站导航，自适应网站)；站点使用数据或点击流数据(例如web使用挖掘、用户群集、页面群集、个人推荐等)空间数据、图像数据、视频数据等。知识发现基本概念、数据字典处理：噪声数据处理、空处理、属性类型转换噪声数据处理：噪声数据是由于输入错误或某些外部因素的干扰而自觉提供的错误数据。如何删除噪音数据？噪音数据和系统中的某些小概率数据统称为“异常数据(Outlier)”，如何区分噪音数据和小概率数据？处理空值：如果由于“不重要”、“未知”或“不想”而使某些属性值未知，

6、则这些值称为空值。如何处理这些缺少的值？属性类型转换：连续属性离散化或离散属性合成连续属性等，知识发现基本概念，数据转换(数据减少):以某种方式减少算法搜索空间。垂直减少(也称为图征选取、属性减少):使用维度减少或转换方法减少变数数目是常见的组合优化问题。水平减少是通过对象的分析(离散化、一般化等)合并具有相同属性值的对象，从而减少对象的数量。知识发现基本概念，数据挖掘阶段：在准备应用相关算法的数据中查找隐式信息利用(例如预测、决策等有价值的模型)。需要考虑的问题：工作决策：分类、聚类、关联规则发现等方法选择：统计方法、机器学习方法、不确定性方法、数据库技术等是知识发现的核心，也是最广泛的内容

7、。数据挖掘方法很多，我们必须充分理解它们的应用条件和前提条件。运营效率分析：不同算法的效率差异很大。算法设计和选择往往是准确度和效率之间的平衡。知识发现基本概念、数据挖掘工作和一般方法：摘要摘要：从一般化的角度抽象数据摘要，即从低级数据中抽象高级说明的过程。主要方法：柔道学习。发现关联规则：关联规则采用AB格式，a在前，b后。(day=Friday)and(product=nappies)(product=beer)是典型的关联规则a(满足前置任务的对象集)、n(满足后置任务的对象b)和n(所有对象集)。一般方法：Apriori算法。知识发现基本概念，分类(等价关系，歧视):按类标签(数据库中的属性集，通常仅包含一个属性)对数据库中的对象进行分类。具有相同标签值或标签值的对象与指定间隔内的对象相同。分类规则是确定对象是否属于特定类的充分条件。也就是说，如果对象具有特定类的属性，则该对象属于该类。规则的格式通常是IF LogicExp Then A类Else B类。主要方法：逻辑回归、判别分析、决策树、ANN、粗糙集、SVM等集群(兼容关系):集群也称为段。也就是说，将数据库中的实体分成多个组或群集。每个群集内的实体都类似。规则格式是IF O1和O2相似的Then O1、O2位于同一集群中。对象相似的判断方法有很多。典型方法：K-means、知识发现基本概念、发现