A poda de Deduções em Sistemas Especialistas

Question

Em uma regra do sistema, ou qualquer raciocínio sistema que deduz de factos através de forward-chaining regras de inferência, como você podar "desnecessários" ramos?Eu não tenho certeza do que a formal, a terminologia é, mas eu só estou tentando entender como as pessoas são capazes de limitar o seu trem-de-pensamento quando argumentação sobre a problemas, enquanto que todas as semântica pensadores que eu vi parecem incapazes de fazer isso.

Por exemplo, em João McCarthy do papel Um Exemplo para a Compreensão de Linguagem Natural e a inteligência artificial Problemas que Ela traz, ele descreve possíveis problemas na obtenção de um programa de forma inteligente responder a perguntas sobre uma reportagem no New York Times.Na seção 4, "A Necessidade De Nonmonotonic o Raciocínio", ele aborda o uso de Occam da Razer para restringir a inclusão de fatos quando o raciocínio sobre a história.O exemplo de história que ele usa é um sobre ladrões que atacam de uma loja de móveis proprietário.

Se um programa foram convidados a formar um "mínimo de conclusão" da história em cálculo de predicado, pode necessitar de incluir fatos que não estão diretamente mencionado na história original.No entanto, seria também precisa de alguma maneira de saber quando o limite de sua cadeia de dedução, de forma a não incluir detalhes irrelevantes.Por exemplo, ele pode querer incluir o número exato de policiais envolvidos no caso, que o artigo omite, mas não deseja incluir o fato de que cada policial tem uma mãe.

Answer 1

Boa Questão.

A partir de sua Pergunta, eu acho que você se refere como "poda" é um modelo de construção da etapa realizada ex-ante--ou seja, para limitar as entradas disponíveis para o algoritmo para construir o modelo.O termo 'poda' quando usado em Aprendizado de Máquina refere-se a algo diferente--um ex post passo, depois de construção do modelo e que opera sobre o modelo em si e não nas entradas.(Pode haver um segundo significado no domínio ML, para o termo " poda.', mas eu não estou ciente disso.) Em outras palavras, a poda é, de fato, literalmente, uma técnica para "limite de sua cadeia de dedução", como você colocou, mas ele faz isso ex post, por excisão de componentes de uma completa (de trabalho) do modelo, e não limitando-se os insumos utilizados para criar esse modelo.

Por outro lado, o isolamento ou limitar as entradas disponíveis para a construção do modelo--que é o que eu acho que você poderia ter tido em mente-é, de fato, uma chave de Aprendizado de Máquina tema;é claramente um fator responsável para o desempenho superior de muitos dos mais recentes ML de algoritmos-por exemplo, Máquinas de Vetor de Suporte (se a visão que está subjacente SVM é a construção da máxima-hiperplano de margem de apenas um pequeno subconjunto de dados, eu.e, o apoio dos vetores'), e Multi-Adaptativa de Regressão Polinomiais (uma técnica de regressão em que nenhuma tentativa é feita para ajustar os dados pelo "desenho uma curva contínua por ele", em vez disso, discreta seção os dados estão adequados, um por um, usando um delimitada equação linear para cada parte, ou seja., os 'tiras', de modo que o predicado etapa do ideal de particionamento de dados é, obviamente, o ponto crucial deste algoritmo).

Qual é o problema que está resolvendo pela poda?

Pelo menos w/r/t específicas ML algoritmos eu realmente codificados e usado-Árvores de Decisão, MARTE, e Redes Neurais--a poda é realizada em um inicialmente sobre-ajuste do modelo (um modelo que se encaixa os dados de treinamento tão estreitamente que não é possível generalizar (prever com precisão novas instâncias).Em cada instância, a poda consiste na remoção de marginal nós (DT, NN) ou termos na equação de regressão (MARTE), um por um.

Segundo, qual é a poda necessário/desejável?

Não seria melhor apenas ajustar com precisão a convergência/os critérios de divisão?Que nem sempre ajuda.A poda de obras a partir de "baixo para cima";o modelo é construído a partir de cima para baixo para ajustar o modelo (para obter o mesmo benefício, como poda) elimina não apenas a um ou mais nós de decisão, mas também a criança em nós que (como corte de uma árvore mais perto do tronco).Assim, a eliminação de um nó marginal também pode eliminar uma ou mais forte nós subordinado ao nó marginal--mas o modelador nunca iria saber que, por seu/sua sintonia eliminado ainda a criação de nó em que o nó marginal.A poda de obras a partir de outra direção-desde a mais subordinado (nível mais baixo) nós da criança para cima, na direção do nó raiz.