Разработка экспертной системы на основе сетей Байеса для поддержки принятия решений при выборе автомобиля

- соответствующая категория показывает наличие категории в водительском удостоверении для управления тем или иным видом транспорта;

- вид деятельности показывает для каких целей выбирается автомобиль.

Сеть  содержит следующие вершины: «вид деятельности», «соответствующая категория»(несет информацию о наличии определенной категории), «выбор грузового автомобиля»(связан с информацией о соответствующей категории) и т.д. С каждой переменной связана случайная переменная с двумя возможными значениями 1 (да) и 0 (нет).Получаем cеть (риc.2).

Риc.2 Сеть Байеса для экспертной системы выбора автомобиля.

 

 

Для полного  представления сети необходимо провести ее количественную оценку. Для этого определяются безусловные вероятности для каждой из двух маргинальных вершин и условные вероятности для остальных подчиненных вершин. При определении безусловных вероятностей предполагались следующие статистические данные о некоторой достаточно большой группе людей: 1% людей посещал Азию, 50% людей курит.

Условные  вероятности между связанными вершинами для рассматриваемого примера приведены ниже в виде продукционных правил, которые определяются экспертами.

1. ЕСЛИ стаж менее двух лет, ТО вероятность выбора нового автомобиля  P(«менее 2»)= 20%.

2. ЕСЛИ стаж более двух лет, ТО вероятность выбора нового автомобиля  P(«более 2») = 80%

Структура сети, а также связанный с ней  набор из условных ибезусловных вероятностей образуют базу знаний ЭС. Далее она может быть реализована средствами системы NETICA.

 

 

 

 

 

 

 

 

 

 

 

 

2.4. Представление сети Байеса в программе Netica

При загрузке системы NETICA появляется окно, которое  содержит строку меню, панель инструментов, окно сети, в котором в режиме редактирования открывается новая  пустая сеть, что позволяет начать ее построение

Добавление  вершин производится нажатием клавиши F9 с последующим щелчком мышью в окне сети.

 Для  каждого узла должны быть определены  его свойства, включающие имя,  название, набор значений возможных  состояний, таблицу вероятностей  и т.д.

Рис.3 Добавление свойств вершины

Далее необходимо задать значения безусловных вероятностей в зависимости от выбора вида деятельности: P(Грузовые перевозки) =20 %, P(Работа в такси) = 80%. В программе для этого заполняется таблица вероятностей, которая вызывается через кнопку Table.(Рис.4.)

 

 

 

Рис.4 Задание значений безусловных вероятностей

Установление  причинно-следственных связей между  узлами.

После создания, размещения и определения безусловных  вероятностей свойств всех узлов их нужно соединить друг с другом в соответствии с причинно-следственными связями между ними. Для этого используется значок стрелки на панели инструментов программы. Далее следует задать таблицы условных вероятностей для каждого из подчиненных узлов.

На  рисунке  показана таблица таких значений между узлами «Стаж менее 2х лет» и «Выбор поддержанного авто», которая имеет следующую интерпретацию:

- если стаж  менее двух лет, то вероятность выбора поддержанного авто 79%;

- если стаж болле двух лет, то вероятность выбора нового автомобиля 82 %(Риc.5).

Риc.5 Задание значений условных вероятностей

Для остальных  узлов это делается аналогичным  образом.

1. Экспериментальная часть

Примеры работы сети Байеса

Компиляция  сети Байеса. После задания все условных вероятностей между узлами сети она должна быть откомпилирована. Для этого нужно выбрать пункт меню Network->Compile. Если компиляция прошла без ошибок, то сеть готова к использованию. Результатом компиляции также являются вычисленные безусловные вероятности значений не маргинальных вершин сети.(Рис.6)

 

Риc.6 Пример работы программы для вычисления выбора автомобиля

Если ставим что вид деятельности работа в такси 80%,соответсвующую категорию B  , выбор нового автомобиля, то успешное прохождение технического осмотра и успешная регистрация в ГАИ составляют 75% и 72,5% соответсвенно.

Если изменим что стаж менее  двух лет  65,8%, то выбор поддержанного  автомобиля составит  58,1%, и его  возраст более 5 лет, что приведет к частичной покупке запчастей, то прохождение технического осмотра может быть как пройдено так и нет, в зависимости отчего регистрация в ГАИ может быть пройдена успешно или нет, и соответственно выдать документы.

 

Риc.7 Пример работы программы при выборе поддержанного автомобиля более 5 лет

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Заключение

Байесовы вероятностные методы обучения машин являются существенным шагом вперед, в сравнении с популярными моделями «черных ящиков». Они дают понятное объяснение своих выводов, допускают логическую интерпретацию и модификацию структуры отношений между переменными задачи, а также позволяют в явной форме учесть априорный опыт экспертов в соответствующей предметной области.

Благодаря удачному представлению в виде графов, байесовы сети весьма удобны в пользовательских приложениях.

Байесовы сети базируются на фундаментальных положениях и результатах теории вероятностей, разрабатываемых в течение нескольких сотен лет, что и лежит в основе их успеха в практической плоскости.

Байесова методология, в действительности, шире, чем семейство способов оперирования с условными вероятностями в ориентированных графах. Она включает в себя также модели с симметричными связями (случайные поля и решетки), модели динамических процессов (марковские цепи), а также широкий класс моделей со скрытыми переменными, позволяющих решать вероятностные задачи классификации, распознавания образов и прогнозирования.

В ближайшем  будущем предполагается значительно  расширить применение Байесовых сетей доверия. Например, на одном из сайтов поисковиков конструируются байесовские сети для моделирования успешных запросов, поступающих от пользователей. Эти сети могут пополнять регистрационный файл поискового сервера назначаемыми категориями предполагаемых целей информации для обеспечения возможности предсказания модификаций запросов.

 

Список  литературы

1.    Башмаков, А.И. Интеллектуальные информационные техно-

логии: учеб пособие для вузов / А.И. Башмаков, И.А. Башмаков. – М.: МГТУ им. Н.Э. Баумана, 2005. – 302 с.

2.    Острейковский, В. А. Информатика. – М.: Высшая школа, 1999.-206 c.

3.    Романов, В.П. Интеллектуальные информационные системы

в экономике: учеб.пособие для вузов / В.П. Романов. – М.: Экзамен, 2003. – 494 с.

4.   Тельнов, Ю.Ф. Интеллектуальные информационные системы в экономике: учеб.пособие для вузов / Ю.Ф. Тельнов. – М.:Синтег,2002 – 306с.