Ввод информации об атрибутах

При работе с разделом «Типы данных» можно выбрать набор атрибутов, который будет участвовать в ходе работы алгоритма(«Чекбоксы» в 1-ом столбце), а также задать тип данных значений атрибутов.

Рис.3.7 Ввод информации об атрибутах

В случае, если пользователь неправильно заполняет какую-либо из строк(Например, тип данных введенного значения не соответствует заданному), то цвет данной строки изменится на красный.

 

Ввод обучающей выборки и построение аргументированных продукционных правил

Если Атрибуты заданы корректно, становится доступна вкладка «Обучающая выборка». Ввод данных аналогичен вкладке «Типы данных».

Ниже представлен пример заполненной обучающей выборки(Рис.3.8)

 

 

Рис.3.8 Вид вкладки Обучающая выборка.

 

На рис.3.8 после каждого столбца с атрибутом присутствуют два столбца с наименованиями «Потому что» и «Несмотря на», путем настройки которых эксперт может задать положительные и отрицательные аргументы соответственно.

Получение набора аргументированных продукционных правил

 

До начала этапа обучения системы пользователю необходимо задать значения STARSIZE, HEAPSIZE, а также сколько наборов продукционных правил необходимо сформировать. По умолчанию заданы следующие значения: STARSIZE =3, HEAPSIZE =3, Количество формируемых наборов =2

Условие STARSIZE влияет на мощность множества STAR, а условие HEAPSIZE максимальная глубина правила.

В результате обучения в нижней части программы в окне «Журнал» будет выведена информация об описании атрибутов, их допустимые значения, выведены сформированные наборы продукционных правил, а также общая сводка всех правил, построенных в ходе работы алгоритма.(Рис.3.9)

 

Рис.3.9 Окно вывода журнала.

 

 

После проведения обучения будет сформирован ряд аргументированных продукционных правил, которые можно использовать для классификации экзаменационной(выборка, примеры которой не встречались раннее) выборки, вкладка «Экзамен» становится доступна для перехода.

Вкладка «Экзамен»

На данном этапе необходимо загрузить или ввести вручную необходимую для дальнейшей классификации экзаменационную выборку(Рис.3.10).

 

Рис.3.10 Результат работы классификации.

После проведения классификации результат будет занесен в отчет для дальнейшего вычисления процента достоверности алгоритма. Для удобства реализован механизм раскрашивания столбца «Экзамен», что позволяет довольно быстро оценить результат выполнения классификации. Также в столбце «Причина» для эксперта выводится информация, почему пример отнесен к тому или иному классу.

 

 

Выводы

В данной главе был дан обзор программной реализации алгоритма CN2, а также ABCN2. Описаны требования к системе, основные возможности и принцип работы. Программа обладает удобным, интуитивно понятным интерфейсом, позволяет быстро загружать необходимые наборы входных данных, выводить в понятной для эксперта форме набор аргументированных решающих правил.

В следующей главе будет произведено тестирование работы реализованных алгоритмов на наборах из тестовых баз данных из хранилища UCI Machine Learning Repository[12].