智能决策理论与方法讲义(PPT 71页)
合集下载
科学决策的理论与方法讲义(PPT56张)

三、决策的类型
时间效用 对象层次 主体
长期决策、短期决策
战略决策、管理决策、业务决策 集体决策、个人决策 初始决策、追踪决策
决策是管理者从事管理工作的基础,管理者 需要解决各种各样的问题。 在实际管理工作中,最大的失误来自于决策 的错误,因此,掌握科学决策的理论与方 法是提高管理效率与效益的基础。
一、科学决策理论的基本观点
决策理论认为,决策是为了实现某一
目的而从若干个可行方案中选择一个 满意方案的分析判断过程。
⒈决策要有明确的目的
⒉决策要有若干可行的备选方案
一个方案无从比较其优劣,也无选择的 余地。 “多方案抉择”是科学决策的重要原则
⒊决策要进行方案的分析比较
每个可行方案都有其可取之处,也有 其不利的一面;
必须根据标准比较各方案的优劣。
⒋决策结果是选择满意的方案。
最优方案既不经济又不可行 科学决策遵循的是满意原则
满意方案 :在诸多方案中,在现实条件 下,能够使主要目标得以实现,其它次 要目标也足够好的合理方案。
⒊拟定可供选择的行动方案
方案拟订原则 • 要紧紧围绕着所要解决的问题和决策目标 • 根据已经具备和经过努力可以具备的各种 条件 • 充分发挥积极性、创造性和丰富的想象力
⒋分析评价各行动方案
• 首先要建立一套有助于指导和检验判断 正确性的决策准则和权重; • 按决策准则对各个方案进行评价打分; • 然后根据组织的大政方针和所掌握的资 源来分析每一个方案; • 比较各方案利弊; • 综合评价,提出候选方案。
2 2 1 3 B A
好差 1 5 29 2 4 32 34 5 34 C
⒌选择满意方案并付诸实施
【思考题】选择时是不是就是选经过比较 最好的那个方案? 在抉择时要注意: • 不要一味追求最佳方案 • 任何方案均有风险 • 在最终选择时,应允许不作任何选择。 决策:在理性分析基础上根据直觉作出最 终选择。
第04讲智能决策理论与方法-1.ppt

数据预处理—空值估算
❖ 空值是指属性值未知且不可用、与其它任何值都不相同的符 号。在样本数据集中,空值在所有非主码属性中都可能出现。 空值出现的主要原因: ✓ 在信息收集时忽略了一些认为不重要的数据或信息提供 者不愿意提供,而这些数据对以后的信息处理可能是有 用的; ✓ 某些属性值未知; ✓ 数据模型的限制。
2020年10月17日9时50分
知识发现—动机
推理机
推理结果
问题请求
决策者
知识库
数据挖掘工具
背景知识 领域专家
数据中心
❖ 优点 ✓ 知识独立于问题本身 ✓ 知识的获取主要通过数据挖掘实现 ✓ 有创造性收获
决策理论与方法-智能决策理论与方法
2020年10月17日9时50分
Data Mining within the DSS
若其属性ci
的取值在区间
[ci j 1
,
ci j
)(
j
(1,2,,
ki
))
内,则将属
性值重新标记为j。这样就把原来含有连续属性的样本数据集
A转换成离散化的数据集 AP 。因此离散化问题本质上可归结
为利用选取的分割点对属性的值域空间进行划分的问题。
决策理论与方法-智能决策理论与方法
2020年10月17日9时50分
等信息量分割首先将测量值进行排序,然后将属性值域分成 k个区间,每个区间包含相同数量的测量值。假设某个属性 的最大属性值为xmax ,最小属性值为xmin ,用户给定的分割 点参数为k,样本集中的对象个数为n,则需要将样本集中的 对象按该属性的取值从小到大排列,然后按对象数平均划分 为k段即得到分割点集,每两个相邻分割点之间的对象数均 为n/k。
❖ 解决问题的主要理论方法:人工智能与不确定性理论
《决策理论与方法》课件

决策理论的分类
介绍基于不同决策理念和原则的分类。
主要决策理论
深度研究预期效用理论等核心决策理论。
3. 决策方法
1
决策方法的分类
归纳各类决策方法,如定性和定量决策方法。
2
主要决策方法
介绍常用决策方法如因果图和决策树等。
4. 投资决策
投资决策的基本概念
解释投资决策的含义和关键要素。
投资风险分析
分析投资决策中的风险和不确定性。
决策理论与方法的应 用场景
展示决策理论与方法在不 同领域的应用案例。
决策理论与方法的未 来发展趋势
探讨决策理论与方法未来 的发展方向。
《决策理论与方法》PPT 课件
这是关于决策理论与方法的PPT课件,将带你深入了解决策的概念、环境以及 各种决策理论和方法。让我们一起探索决策的奥秘!
1. 简介
决策概念
了解决策的定义和重要性。
决策对象
研究决策的主体,包括个人、组织和社会等。
决策环境
探讨影响决策的因素,如不确定性和风险。
2. 决策理论
投资项目评价指标
介绍常用的投资项目评价指标。
5. 生产决策
生产决策的基本概念
讨论生产决策的定义和目标。
生产流程设计
生产效率提升
探讨如何设计高效的生产流程。
介绍提高生产效率的方法和策 略。
6. 营销决策
营销决策的基本概念
解释营销决策的定义和重要性。
市场分析方法
介绍常用的市场分析方法,如SWOT分析。
营销策略制定
探讨制定有效营销策略的步骤和考虑因素。
7. 供应链决策
1
供应链决策的基本概念
了解供应链决策的定义和重要性。
决策理论与方法讲义(PPT 75张)

渴望水平原则是指决策者在收益或损失可以接受的限度内,预先 给出收益或损失的一个渴望水平值A,对每一个方案,都求出其 收益或损失达到渴望水平的概率,使这个概率最大的方案,就是 渴望水平原则下的最优方案。 4.最大期望原则 该标准从统计的角度出发,用统计学的期望值来权衡各个方案。 所谓最大期望原则就是把每个行动方案的期望值求出来,然后加 以比较,选择期望值最大的(当目标是利润时)或期望值最小的 (当目标是损失时)行动方案。 5.概率优势法则 概率优势法则是指先在各个自然状态下通过观察法比较各方案的 优劣,淘汰比较劣的方案,然后在各个概率状态下通过分布函数 比较各方案的优劣,选出最优的方案。
2.1 随机性决策的概念
《决策理论与方法》
解 这是一个单级决策树。按决策树方法决策的步骤如下: (1) 收集数据,数据已经全部在题目中给出。 (2) 画决策树,并标出数据 (3)计算并减枝 ①从右往左计算各方案的期望值,将相应的计算结果标在方
案分枝右端的状态节点旁;
②比较各方案期望值的大小,保留期望值最大的分枝,在其
2.1 随机性决策的概念
2.1.4 随机性决策的分析方法
1.机会均等原则
《决策理论与方法》
例2-1-4 某建筑企业要决策下个月是否开工建设一个项目。如果
开工后天气好,则企业可以盈利5万元,如果开工后天气不好, 企业要损失1万元,如果不开工,则企业要支付窝工费2千元。 企业是否要开工建设此项目呢?
相当一部分决策问题不能通过随机试验确定他们的概率,
只能根据决策者对事件的了解来设定事件发生的概率。这 样根据决策者的经验和对事件掌握的知识所人为设定的概 率,称为主观概率( subjective probability)。同时,除此 之外的其他概率称为客观概率(objective probability)。 能性的看法的度量,即他相信或认为这个随机事件将会发 生的可能性的大小。这种相信的程度是主观的,是决策者 根据自身拥有的经验、知识以及个人对客观情况的了解, 利用此方面的一些相关信息综合分析、推理以及判断而设 定的。但它不同于主观臆断,是从客观所拥有的信息出发 根据理性分析而得出的结果,是理性的,合理的。主观概 率也必须符合概率论的基本定理:①所确定的概率必须大 于或等于 0 ,而小于或等于 1 ;②经验判断所需全部事件中 各个事件概率之和必须等于1。
智能决策理论与方法(PPT 76张)

等区间分割是将连续属性的值域等分成
一般由用户确定。
决策理论与方法-智能决策理论与方法
( ki N )个区间, k i
数据预处理—连续属性离散化
假设某个属性的最大属性值为xmax,最小属性值为xmin,用 户给定的分割点参数为k,则分割点间隔为δ=(xmax-xmin)/k, 所得到的属性分割点为xmin+i,i=1,2,…,k。 (2)等信息量离散化方法 等信息量分割首先将测量值进行排序,然后将属性值域分成 k个区间,每个区间包含相同数量的测量值。假设某个属性 的最大属性值为xmax ,最小属性值为xmin ,用户给定的分割 点参数为k,样本集中的对象个数为n,则需要将样本集中的 对象按该属性的取值从小到大排列,然后按对象数平均划分 为k段即得到分割点集,每两个相邻分割点之间的对象数均 为n/k。
数据中心
优点
知识独立于问题本身 知识的获取主要通过数据挖掘实现
有创造性收获
决策理论与方法-智能决策理论与方法
Data Mining within the DSS
决策理论与方法-智能决策理论与方法
知识发现—动机
KDD带来的新问题
知识发现问题:如何从数据中将知识挖掘出来?
面临许多技术问题:如数据异构问题、数据具有 噪音且信息不完整、使用什么样的挖掘算法、知 识如何表示等
针对可建立精确数学模型的决策问题,由于问题的复杂
性,如组合爆炸、参数过多等而无法获得问题的解析解, 需要借助AI中的智能搜索算法获得问题的数值解; 针对无法建立精确数学模型的不确定性决策问题、半结 构化或非结构化决策问题,需要借助AI方法建立相应的 决策模型并获得问题的近似解。
决策理论与方法-智能决策理论与方法
智能决策理论与方法-PPT

❖ 决策树学习采用自顶向下得递归方式,在决策树得内部结点 进行属性值比较并根据不同得属性值判断从该结点向下得分 支,在叶结点得到结论。从根结点到每个叶结点都有唯一得 一条路径,这条路径就就是一条决策“规则”。
❖ 当经过一批训练实例集得训练产生一颗决策树,那么该决策 树就可以根据属性得取值对一个未知实例集进行分类。所有 得决策树都有一等价得ANN表示;也可用SVM实现相同得功 能。
x | x | x
阈值型函数:
f
(x
)
1
1
x x
sigmoid函数:
1
1 ex
f (x) 1 ex or f (x) 1 ex
机器学习—神经网络
感知机学习算法:(选取f为阈值函数,学习权值向量w) (1)初始化:将权值向量与阈值赋予随机量,t=0 (2)连接权得修正:设训练样本得输入为x1,、、、, xi,、、、,xn,期望输出为yj,进行如下计算: 计算网络输出:y(t)= f(iwij(t)xi(t)-j(t)) 计算期望输出与实际输出得误差:e(t)=yj-y(t) 若e=0,则说明当前样本输出正确,不必更新权值,否 则更新权值与阈值
典型规则:
ji
t
1
ji
t
E
ji t
❖ 其她最流行得网络结构:径向基函数(RBF)神经网络、自组织 映射(SOM)、Hopfield网络等。
❖ Matlab提供了一套神经网络工具箱(Neural Networks Toolbox),其中包含了一组new函数,用以创建各种类型得神 经网络。
机器学习—神经网络
上述过程一直持续到所有得输出单元得到输出为止,最后 一层得输出就就是网络得输出。
❖ 因此,神经网络就是一个黑匣子。
❖ 当经过一批训练实例集得训练产生一颗决策树,那么该决策 树就可以根据属性得取值对一个未知实例集进行分类。所有 得决策树都有一等价得ANN表示;也可用SVM实现相同得功 能。
x | x | x
阈值型函数:
f
(x
)
1
1
x x
sigmoid函数:
1
1 ex
f (x) 1 ex or f (x) 1 ex
机器学习—神经网络
感知机学习算法:(选取f为阈值函数,学习权值向量w) (1)初始化:将权值向量与阈值赋予随机量,t=0 (2)连接权得修正:设训练样本得输入为x1,、、、, xi,、、、,xn,期望输出为yj,进行如下计算: 计算网络输出:y(t)= f(iwij(t)xi(t)-j(t)) 计算期望输出与实际输出得误差:e(t)=yj-y(t) 若e=0,则说明当前样本输出正确,不必更新权值,否 则更新权值与阈值
典型规则:
ji
t
1
ji
t
E
ji t
❖ 其她最流行得网络结构:径向基函数(RBF)神经网络、自组织 映射(SOM)、Hopfield网络等。
❖ Matlab提供了一套神经网络工具箱(Neural Networks Toolbox),其中包含了一组new函数,用以创建各种类型得神 经网络。
机器学习—神经网络
上述过程一直持续到所有得输出单元得到输出为止,最后 一层得输出就就是网络得输出。
❖ 因此,神经网络就是一个黑匣子。
智能决策课件

*
智能制造技术导论
第三章 智能制造之智能决策
*
智能制造技术导论
二、 智能决策的技术特征
数据驱动技术
第三章 智能制造之智能决策
人机交互技术
决策支持技术
知识推理技术
*
智能制造技术导论
第三章 智能制造之智能决策
1. 数据驱动技术
• 数据库系统是智能决策支持系统重要的组成部分,是信息存储、处理的基础。数据库技 术的发展主要经历了层次模型、网状模型以及关系模型数据库三个发展阶段。
*
智能制造技术导论
第三章 智能制造之智能决策
2.决策支持技术
• 决策支持技术主要用来解决非结构化、半结构化问题,以区别于处理结构化问题的信息 系统。
• 决策支持系统是辅助决策者通过数据、模型和知识,以人机交互方式进行半结构化或非 结构化决策的计算机应用系统。
• 可分为三类:结构化决策,非结构化决策和半结构化决策。
*
智能制造技术导论
第三章 智能制造之智能决策
3. 知识推理技术
• 知识推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略 ,利用形式化的知识进行机器思维和求解问题的过程。
• 智能系统的知识推理过程是通过推理机来完成的,所谓推理机就是智能系统中用来实 现推理的程序。
• 智能系统的知识推理包括两个基本问题:一是推理方法;二是推理的控制策略
2024/7/23
《智能制造技术导论》微课系列 —— 智能决策
第三章 智能制造之智能决策
智能决策
定义 技术特征
数据驱动技术 决策支持技术 知识推理技术 人机交互技术
*
智能制造技术导论
第三章 智能制造之智能决策
智能决策理论与方法讲义(PPT 71页)

决策理论与方法-智能决策理论与方法
知识发现—基本概念
数据预处理:噪音数据处理、空值处理、属性类型转化 噪音数据处理:噪音数据往往是因输入错误而导致的、 或受某种外界因素干扰而有意识提供的错误数据。如 何剔除噪音数据?噪音数据与系统中的一些小概率数 据统称为“异常数据(Outlier)”,如何区分噪音数据和 小概率数据? 空值处理:有些数据由于“不重要”、不知道或“不 愿意”而没有获得,引起某些属性值未知,称此类值 为空值。如何处理这些缺失值? 属性类型转化:连续属性离散化或将离散属性拟合成 连续属性等。
决策理论与方法-智能决策理论与方法
知识发现—基本概念
数据变换(数据约简):通过某种方法降低算法的搜索空间。 垂直约简(也称特征选择、属性约简):使用降维或变 换方法减少变量数目,是典型的组合优化问题。 水平约简是通过对对象的分析(包括离散化、泛化等), 合并具有相同属性值的对象,减少对象数目。
Suppo|rAtB| N
Confide|nAceB| | A|
A为满足前件的对象集,B为满足后件的对象,N为全部 对象集。典型方法:Apriori算法。
决策理论与方法-智能决策理论与方法
知识发现—基本概念
分类(等价关系,判别):按类标签(为数据库中的某属性 集,一般仅包含一个属性)对数据库中的对象进行分类, 具有相同标签值或标签值在指定区间内的对象属于同类。 分类规则是判断某个对象属于某类的充分条件即对象具 有某类的属性时则表示该对象属于该类。其规则形式一 般为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。
聚类(相容关系):聚类也叫分段,就是将数据库中的实 体分成若干组或簇,每簇内的实体是相似的。规则形式 为IF O1与O2相似 Then O1、O2在同一簇。对象相似的判 断方法有多种如距离法。典型方法:K-means
知识发现—基本概念
数据预处理:噪音数据处理、空值处理、属性类型转化 噪音数据处理:噪音数据往往是因输入错误而导致的、 或受某种外界因素干扰而有意识提供的错误数据。如 何剔除噪音数据?噪音数据与系统中的一些小概率数 据统称为“异常数据(Outlier)”,如何区分噪音数据和 小概率数据? 空值处理:有些数据由于“不重要”、不知道或“不 愿意”而没有获得,引起某些属性值未知,称此类值 为空值。如何处理这些缺失值? 属性类型转化:连续属性离散化或将离散属性拟合成 连续属性等。
决策理论与方法-智能决策理论与方法
知识发现—基本概念
数据变换(数据约简):通过某种方法降低算法的搜索空间。 垂直约简(也称特征选择、属性约简):使用降维或变 换方法减少变量数目,是典型的组合优化问题。 水平约简是通过对对象的分析(包括离散化、泛化等), 合并具有相同属性值的对象,减少对象数目。
Suppo|rAtB| N
Confide|nAceB| | A|
A为满足前件的对象集,B为满足后件的对象,N为全部 对象集。典型方法:Apriori算法。
决策理论与方法-智能决策理论与方法
知识发现—基本概念
分类(等价关系,判别):按类标签(为数据库中的某属性 集,一般仅包含一个属性)对数据库中的对象进行分类, 具有相同标签值或标签值在指定区间内的对象属于同类。 分类规则是判断某个对象属于某类的充分条件即对象具 有某类的属性时则表示该对象属于该类。其规则形式一 般为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。
聚类(相容关系):聚类也叫分段,就是将数据库中的实 体分成若干组或簇,每簇内的实体是相似的。规则形式 为IF O1与O2相似 Then O1、O2在同一簇。对象相似的判 断方法有多种如距离法。典型方法:K-means
第04讲智能决策理论与方法1

第04讲智能决策理论与方法1
知识发现—空值估算
v 空值处理的常用方法: ™ 从训练集中移去含未知值的实例; ™ 用某个最可能的值进行替换; ™ 基于样本中其它属性的取值和分类信息,构造规则来预 测丢失的数据,并用预测结果“填补”丢失值; ™ 应用贝叶斯公式确定未知值的概率分布,选择一最可能 的值填补空值或根据概率分布用不同值填补空值形成多 个对象; ™ 将含有未知值的一个给定样本数据集转换成一个新的、 可能不相容的但每个属性值均已知的数据集,方法是将 某个属性的未知值用所有该属性的可能值替换形成多个 数据集。
™ 聚类(相容关系):聚类也叫分段,就是将数据库中的实 体分成若干组或簇,每簇内的实体是相似的。规则形式 为IF O1与O2相似 Then O1、O2在同一簇。对象相似的判 断方法有多种如距离法。典型方法:K-means
第04讲智能决策理论与方法1
知识发现—基本概念
™ 发现特征规则:特征规则是刻划某个概念的特征的断言, 它相当于分类规则的逆命题。例如病症是某种疾病的特 征。规则一般形式是:IF A类 Then 特征表达式。
第04讲智能决策理论与方法1
知识发现—基本概念
™ 结果评价:确定所发现模式的可信度。基本方法是将样 本数据集分成二部分,一部分是训练集用来发现模式, 另一部分是测试集,分析结果的可信度。
™ 处理结果维护:信息处理所涉及的样本数据集常常是动 态变化的,因此需要对所处理的结果进行维护以保证结 果与数据的变化相一致。维护可以对数据变化引起的特 殊问题重新应用所建立的处理方法,或者应用某种增量 处理算法。
•·规则归纳 •·贝叶斯网络
•·基于案例推 •·模糊逻辑
理
•·粗糙集理论
•·遗传算法 •·证据理论
•·神经网络
知识发现—空值估算
v 空值处理的常用方法: ™ 从训练集中移去含未知值的实例; ™ 用某个最可能的值进行替换; ™ 基于样本中其它属性的取值和分类信息,构造规则来预 测丢失的数据,并用预测结果“填补”丢失值; ™ 应用贝叶斯公式确定未知值的概率分布,选择一最可能 的值填补空值或根据概率分布用不同值填补空值形成多 个对象; ™ 将含有未知值的一个给定样本数据集转换成一个新的、 可能不相容的但每个属性值均已知的数据集,方法是将 某个属性的未知值用所有该属性的可能值替换形成多个 数据集。
™ 聚类(相容关系):聚类也叫分段,就是将数据库中的实 体分成若干组或簇,每簇内的实体是相似的。规则形式 为IF O1与O2相似 Then O1、O2在同一簇。对象相似的判 断方法有多种如距离法。典型方法:K-means
第04讲智能决策理论与方法1
知识发现—基本概念
™ 发现特征规则:特征规则是刻划某个概念的特征的断言, 它相当于分类规则的逆命题。例如病症是某种疾病的特 征。规则一般形式是:IF A类 Then 特征表达式。
第04讲智能决策理论与方法1
知识发现—基本概念
™ 结果评价:确定所发现模式的可信度。基本方法是将样 本数据集分成二部分,一部分是训练集用来发现模式, 另一部分是测试集,分析结果的可信度。
™ 处理结果维护:信息处理所涉及的样本数据集常常是动 态变化的,因此需要对所处理的结果进行维护以保证结 果与数据的变化相一致。维护可以对数据变化引起的特 殊问题重新应用所建立的处理方法,或者应用某种增量 处理算法。
•·规则归纳 •·贝叶斯网络
•·基于案例推 •·模糊逻辑
理
•·粗糙集理论
•·遗传算法 •·证据理论
•·神经网络
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2020/8/27
智能决策理论与方法
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
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—动机
❖ 智能决策的核心是如何获取支持决策的信息和知识。
推理机
推理结果
问题请求
决策者
知识库统(KBS)的最大瓶颈
抽样 数据中心
预处理
变换
数据挖掘
解释/评价
样本集
预处理结果
变换结果
挖掘结果
知识
任务描述
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—基本概念
❖ 数据准备阶段一般包含数据选取、预处理和数据变换等任务: 数据选取:根据用户的需要从原始数据集中抽取一组样 本数据确定挖掘任务的操作对象。 常见数据源: ❖关系型数据库数据:如营销数据库 ❖文本数据:内容挖掘(如Web内容挖掘,寻找相似页面) ❖Web数据:站点结构数据(如Web结构挖掘,优化站点 设计,站点导航,自适应站点);站点使用数据或点击 流数据(如Web使用挖掘,用户聚类、页面聚类,个性 化推荐等) ❖空间数据、图像数据、视频数据等。
❖ 这时,传统的决策数学模型已经难以胜任求解复杂度过高的 决策问题、含有不确定性的决策问题以及半结构化、非结构 化的决策问题,因而产生了智能决策理论、方法及技术。
决策理论与方法-智能决策理论与方法
2020/8/27
智能决策理论与方法—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,融合传统的决策数学模型和方法而产生的具有 智能化推理和求解的决策方法,其典型特征是能够在不确定、 不完备、模糊的信息环境下,通过应用符号推理、定性推理 等方法,对复杂决策问题进行建模、推理和求解。AI应用于 决策科学主要有两种模式:
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—动机
推理机
推理结果
问题请求
决策者
案例库 规则库
知识工程师 领域专家
❖ 问题
推理规则的获取与KBS中知识获取一样难,因而基于 案例推理(Case-Based Reasoning)渐渐变成基于案例检 索(Case-Based Retrieving)。
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—动机
决策者
决策支持查询 查询结果
数据分析师
不一定满意的决策
数据中心
❖ 问题 数据分析师与决策者之间对问题的理解存在偏差 缺少有创造性的决策建议 技术问题:如查询效率(RDBMS)
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—动机
推理机
推理结果
问题请求
决策者
知识库
数据挖掘工具
背景知识 领域专家
数据中心
❖ 优点 知识独立于问题本身 知识的获取主要通过数据挖掘实现 有创造性收获
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—动机
❖ KDD带来的新问题 知识发现问题:如何从数据中将知识挖掘出来? 面临许多技术问题:如数据异构问题、数据具有 噪音且信息不完整、使用什么样的挖掘算法、知 识如何表示等 知识评价问题:数据本身具有权威性、客观性, 但知识不具备。知识如何评价?
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—基本概念
❖ 知识发现(Knowledge Discovery in Databases, KDD):从 大量数据中提取隐含的(预先未知、新颖)、有潜在应用价值 的(可信、有效)并最终能被人理解的模式的非平凡过程。也 称为数据挖掘(Data Mining)。此过程主要包含三个阶段: 数据准备阶段、数据挖掘阶段、解释评价阶段。
❖ 解决问题的主要理论方法:人工智能与不确定性理论
决策理论与方法-智能决策理论与方法
2020/8/27
智能决策理论与方法
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
决策理论与方法-智能决策理论与方法
2020/8/27
智能决策理论与方法—形成背景
❖ 人类面临越来越复杂的决策任务和决策环境: 决策问题所涉及的变量规模越来越大; 决策所依赖的信息具有不完备性、模糊性、不确定性等 特点,使得决策问题难以全部定量化地表示出来; 某些决策问题及其目标可能是模糊的、不确定的,使得 决策者对自己的偏好难以明确,随着决策分析的深入, 对决策问题的认知加深,自己原有的偏好/倾向得到不断 地修正,使得决策过程出现不断调整的情况,
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—基本概念
数据变换(数据约简):通过某种方法降低算法的搜索空间。 ❖垂直约简(也称特征选择、属性约简):使用降维或变 换方法减少变量数目,是典型的组合优化问题。 ❖水平约简是通过对对象的分析(包括离散化、泛化等), 合并具有相同属性值的对象,减少对象数目。
不确定性决策
❖ 不确定性决策:指难以获得各种状态发生的概率,甚至对未 来状态都难以把握的决策问题。
❖ 特点:状态的不确定性。 不确定性:不确定性来自人类的主观认识与客观实际之 间存在的差异。事物发生的随机性、人类知识的不完全、 不可靠、不精确和不一致以及自然语言中存在的模糊性 和歧义性,都反映了这种差异,都会带来不确定性。不 确定性就造成了具有相同描述信息的对象可能属于不同 概念。
针对可建立精确数学模型的决策问题,由于问题的复杂 性,如组合爆炸、参数过多等而无法获得问题的解析解, 需要借助AI中的智能搜索算法获得问题的数值解;
针对无法建立精确数学模型的不确定性决策问题、半结 构化或非结构化决策问题,需要借助AI方法建立相应的 决策模型并获得问题的近似解。
决策理论与方法-智能决策理论与方法
决策理论与方法-智能决策理论与方法
2020/8/27
知识发现—基本概念
数据预处理:噪音数据处理、空值处理、属性类型转化 ❖噪音数据处理:噪音数据往往是因输入错误而导致的、 或受某种外界因素干扰而有意识提供的错误数据。如 何剔除噪音数据?噪音数据与系统中的一些小概率数 据统称为“异常数据(Outlier)”,如何区分噪音数据和 小概率数据? ❖空值处理:有些数据由于“不重要”、不知道或“不 愿意”而没有获得,引起某些属性值未知,称此类值 为空值。如何处理这些缺失值? ❖属性类型转化:连续属性离散化或将离散属性拟合成 连续属性等。