Разработка без программирования и применение в адаптивном режиме методик риэлтерской экспресс-оценки по методу аналогий (сравнительных продаж) в системно-когнитивном анализе и интеллектуальной системе "Эйдос"
Проблема и концепция ее решения, характеристика исходных данных. Этапы системно-когнитивного анализа и преобразование данных в информацию, а ее в знания в системе "Эйдос". Решение задач идентификации, прогнозирования, принятия решений в системе "Эйдос".
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 13.05.2017 |
| Размер файла | 3,7 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
296
94
89
МАРКА+МОДЕЛЬ-Mazda-3
296
94
90
МАРКА+МОДЕЛЬ-Mazda-6
507
160
91
МАРКА+МОДЕЛЬ-Mazda-CX5
844
267
92
МАРКА+МОДЕЛЬ-Mazda-CX7
-149
342
123
93
МАРКА+МОДЕЛЬ-Mercedes-E200
844
267
94
МАРКА+МОДЕЛЬ-Mercedes-E320
507
160
95
МАРКА+МОДЕЛЬ-Mercedes-E500
507
160
96
МАРКА+МОДЕЛЬ-Mercedes-GLK220
844
267
97
МАРКА+МОДЕЛЬ-Mercedes-ML350
844
267
98
МАРКА+МОДЕЛЬ-Mercedes-S320
1159
367
99
МАРКА+МОДЕЛЬ-Mercedes-С 180
507
160
100
МАРКА+МОДЕЛЬ-Mitsubishi-Galant
296
94
101
МАРКА+МОДЕЛЬ-Mitsubishi-Lancer
180
-55
61
102
МАРКА+МОДЕЛЬ-Mitsubishi-Outlander
226
563
184
103
МАРКА+МОДЕЛЬ-Mitsubishi-Padero Sport
507
160
104
МАРКА+МОДЕЛЬ-Mitsubishi-Pajero
296
94
105
МАРКА+МОДЕЛЬ-Mitsubishi-Pajero IV
61
399
714
244
106
МАРКА+МОДЕЛЬ-Nissan-Murаno
-149
61
399
140
107
МАРКА+МОДЕЛЬ-Nissan-Note
296
94
108
МАРКА+МОДЕЛЬ-Nissan-Pathfiender
844
267
109
МАРКА+МОДЕЛЬ-Nissan-Patrol
507
160
110
МАРКА+МОДЕЛЬ-Nissan-Qashqai
296
94
111
МАРКА+МОДЕЛЬ-Nissan-Teana
507
160
112
МАРКА+МОДЕЛЬ-Nissan-Tiida
296
94
113
МАРКА+МОДЕЛЬ-Nissan-X-Trail
-493
280
336
219
114
МАРКА+МОДЕЛЬ-Opel-Antara
296
94
115
МАРКА+МОДЕЛЬ-Opel-Astra
296
94
116
МАРКА+МОДЕЛЬ-Opel-Corsa
296
94
117
МАРКА+МОДЕЛЬ-Opel-Insignia
226
563
184
118
МАРКА+МОДЕЛЬ-Opel-Vektra
296
94
119
МАРКА+МОДЕЛЬ-Peugeot-308
296
94
120
МАРКА+МОДЕЛЬ-Porshe -Boxter
507
160
121
МАРКА+МОДЕЛЬ-Porshe -Cayne GTS
878
1051
409
122
МАРКА+МОДЕЛЬ-Porshe -Panamera
2431
769
123
МАРКА+МОДЕЛЬ-Range Rover-Evoque
507
160
124
МАРКА+МОДЕЛЬ-Range Rover-Sport
995
887
398
125
МАРКА+МОДЕЛЬ-Renault-Clio
296
94
126
МАРКА+МОДЕЛЬ-Renault-Duster
507
160
127
МАРКА+МОДЕЛЬ-Renault-Fluence
296
94
128
МАРКА+МОДЕЛЬ-Renault-Koleos
507
160
129
МАРКА+МОДЕЛЬ-Renault-Logan
296
94
130
МАРКА+МОДЕЛЬ-Renault-Megane 2
296
94
131
МАРКА+МОДЕЛЬ-Renault-Sandero
296
94
132
МАРКА+МОДЕЛЬ-Renault-Scenic
296
94
133
МАРКА+МОДЕЛЬ-Renault-Simbol
296
94
134
МАРКА+МОДЕЛЬ-Skoda-Fabia
296
94
135
МАРКА+МОДЕЛЬ-Skoda-Oktavia
296
94
136
МАРКА+МОДЕЛЬ-Ssang Yong-Action
296
94
137
МАРКА+МОДЕЛЬ-Ssang Yong-Rexton
296
94
138
МАРКА+МОДЕЛЬ-Subaru -Forester
-149
342
123
139
МАРКА+МОДЕЛЬ-Subaru -Impreza
296
94
140
МАРКА+МОДЕЛЬ-Subaru -Impreza XV
507
160
141
МАРКА+МОДЕЛЬ-Subaru -Outback
296
94
142
МАРКА+МОДЕЛЬ-Suzuki-Gr.Vitara
-266
390
157
143
МАРКА+МОДЕЛЬ-Toyota-Allion
296
94
144
МАРКА+МОДЕЛЬ-Toyota-Auris
296
94
145
МАРКА+МОДЕЛЬ-Toyota-Avalon
507
160
146
МАРКА+МОДЕЛЬ-Toyota-Avensis
296
94
147
МАРКА+МОДЕЛЬ-Toyota-Avensis New
507
160
148
МАРКА+МОДЕЛЬ-Toyota-Camry
-452
411
-350
231
149
МАРКА+МОДЕЛЬ-Toyota-Corolla
208
-156
87
150
МАРКА+МОДЕЛЬ-Toyota-Corolla Verso
15
226
71
151
МАРКА+МОДЕЛЬ-Toyota-Highlander
282
1043
332
152
МАРКА+МОДЕЛЬ-Toyota-Hilux
844
267
153
МАРКА+МОДЕЛЬ-Toyota-LC 100
-55
728
233
154
МАРКА+МОДЕЛЬ-Toyota-LC 200
995
887
398
155
МАРКА+МОДЕЛЬ-Toyota-LC 80
296
94
156
МАРКА+МОДЕЛЬ-Toyota-LC Prado 120
-384
796
292
157
МАРКА+МОДЕЛЬ-Toyota-LC Prado 150
913
1013
407
158
МАРКА+МОДЕЛЬ-Toyota-Prius
296
94
159
МАРКА+МОДЕЛЬ-Toyota-Rav 4
-547
367
118
223
160
МАРКА+МОДЕЛЬ-Toyota-Rav 4 Long
507
160
161
МАРКА+МОДЕЛЬ-Volkswagen-Caddy
15
226
71
162
МАРКА+МОДЕЛЬ-Volkswagen-Golf
296
94
163
МАРКА+МОДЕЛЬ-Volkswagen-Jetta
296
94
164
МАРКА+МОДЕЛЬ-Volkswagen-Passat
507
160
165
МАРКА+МОДЕЛЬ-Volkswagen-Passat Variant
844
267
166
МАРКА+МОДЕЛЬ-Volkswagen-Touareg
-103
606
723
289
167
МАРКА+МОДЕЛЬ-Volvo-S80
507
160
168
МАРКА+МОДЕЛЬ-Volvo-XC90
132
61
44
169
КУЗОВ-джип
-469
72
282
356
365
393
393
393
281
170
КУЗОВ-кабриолет
226
878
279
171
КУЗОВ-купе
132
-220
118
94
172
КУЗОВ-лифт
296
94
173
КУЗОВ-лифтбек
296
94
174
КУЗОВ-минивен
234
-282
122
175
КУЗОВ-НЛО
-266
-55
282
597
231
176
КУЗОВ-пикап
844
267
177
КУЗОВ-седан
112
33
-435
-736
362
304
178
КУЗОВ-унив
296
94
179
КУЗОВ-универсал
15
61
118
40
180
КУЗОВ-хэтч
296
94
181
КУЗОВ-хэтчб
296
94
182
КУЗОВ-хэтчбек
260
-492
184
183
ГОД ВЫПУСКА-1/10-{1996.0000000, 1997.7000000}
296
94
184
ГОД ВЫПУСКА-2/10-{1997.7000000, 1999.4000000}
296
94
185
ГОД ВЫПУСКА-3/10-{1999.4000000, 2001.1000000}
132
61
44
186
ГОД ВЫПУСКА-4/10-{2001.1000000, 2002.8000000}
296
94
187
ГОД ВЫПУСКА-5/10-{2002.8000000, 2004.5000000}
81
84
-305
108
188
ГОД ВЫПУСКА-6/10-{2004.5000000, 2006.2000000}
136
-180
55
78
189
ГОД ВЫПУСКА-7/10-{2006.2000000, 2007.9000000}
88
-9
-100
-347
118
190
ГОД ВЫПУСКА-8/10-{2007.9000000, 2009.6000000}
12
-28
-63
154
82
61
191
ГОД ВЫПУСКА-9/10-{2009.6000000, 2011.3000000}
-240
87
60
178
351
606
606
606
606
312
192
ГОД ВЫПУСКА-10/10-{2011.3000000, 2013.0000000}
-282
92
328
135
27
151
193
ПРОБЕГ-1/10-{1800.0000000, 47620.0000000}
-129
19
101
135
356
563
206
194
ПРОБЕГ-2/10-{47620.0000000, 93440.0000000}
21
-35
-10
2
-63
383
383
383
192
195
ПРОБЕГ-3/10-{93440.0000000, 139260.0000000}
70
29
-142
-225
88
196
ПРОБЕГ-4/10-{139260.0000000, 185080.0000000}
52
-37
-19
-76
-183
64
197
ПРОБЕГ-5/10-{185080.0000000, 230900.0000000}
-149
61
118
433
151
198
ПРОБЕГ-6/10-{230900.0000000, 276720.0000000}
15
226
71
199
ПРОБЕГ-7/10-{276720.0000000, 322540.0000000}
844
267
200
ПРОБЕГ-8/10-{322540.0000000, 368360.0000000}
507
160
201
ПРОБЕГ-9/10-{368360.0000000, 414180.0000000}
202
ПРОБЕГ-10/10-{414180.0000000, 460000.0000000}
296
94
203
ОБЬЕМ ДВИГАТЕЛЯ-1/10-{1.0000000, 1.4700000}
264
-533
196
204
ОБЬЕМ ДВИГАТЕЛЯ-2/10-{1.4700000, 1.9400000}
228
-288
-864
297
205
ОБЬЕМ ДВИГАТЕЛЯ-3/10-{1.9400000, 2.4100000}
-95
229
-33
83
206
ОБЬЕМ ДВИГАТЕЛЯ-4/10-{2.4100000, 2.8800000}
-376
280
172
-76
168
207
ОБЬЕМ ДВИГАТЕЛЯ-5/10-{2.8800000, 3.3500000}
-547
-55
411
543
208
294
208
ОБЬЕМ ДВИГАТЕЛЯ-6/10-{3.3500000, 3.8200000}
-887
50
169
538
657
685
455
209
ОБЬЕМ ДВИГАТЕЛЯ-7/10-{3.8200000, 4.2900000}
-337
654
35
654
311
210
ОБЬЕМ ДВИГАТЕЛЯ-8/10-{4.2900000, 4.7600000}
-463
250
772
573
1391
527
211
ОБЬЕМ ДВИГАТЕЛЯ-9/10-{4.7600000, 5.2300000}
135
506
680
1778
571
212
ОБЬЕМ ДВИГАТЕЛЯ-10/10-{5.2300000, 5.7000000}
61
1985
1704
778
213
ЦВЕТ-cеребро
844
267
214
ЦВЕТ-бежевый
45
-533
366
292
236
215
ЦВЕТ-бежевый металлик
296
94
216
ЦВЕТ-бел.перламутр
844
267
217
ЦВЕТ-белый
-206
72
96
246
-143
956
956
418
218
ЦВЕТ-бирюзовый
507
160
219
ЦВЕТ-бордовый
296
94
220
ЦВЕТ-вишневый
1159
367
221
ЦВЕТ-голубой
296
94
222
ЦВЕТ-голубой металлик
296
94
223
ЦВЕТ-графит
15
1051
332
224
ЦВЕТ-джинс
507
160
225
ЦВЕТ-зеленый
296
94
226
ЦВЕТ-золотистый
15
1051
332
227
ЦВЕТ-золото
296
94
228
ЦВЕТ-красный
186
-282
-391
-76
164
229
ЦВЕТ-оливковый
180
-55
61
230
ЦВЕТ-оранжевый
1333
421
231
ЦВЕТ-св.оливковый
296
94
232
ЦВЕТ-св.серый
507
160
233
ЦВЕТ-светло-голубой
296
94
234
ЦВЕТ-светло-серый
296
94
235
ЦВЕТ-светло-синий
296
94
236
ЦВЕТ-сереб-голубой
296
94
237
ЦВЕТ-серебристый
81
147
51
238
ЦВЕТ-серебро
70
-118
55
-283
55
105
239
ЦВЕТ-серо-голубой
-149
342
123
240
ЦВЕТ-серо-зеленый
15
226
71
241
ЦВЕТ-серо-синий
296
94
242
ЦВЕТ-серый
15
84
-305
175
120
243
ЦВЕТ-синий
223
-220
104
244
ЦВЕТ-сиреневый
296
94
245
ЦВЕТ-т.зеленый
296
94
246
ЦВЕТ-т.красый
296
94
247
ЦВЕТ-т.серый
152
19
48
248
ЦВЕТ-т.серый(титан)
507
160
249
ЦВЕТ-т.синий
89
-146
192
84
250
ЦВЕТ-темно-вишневый
507
160
251
ЦВЕТ-темно-красный
296
94
252
ЦВЕТ-темно-себристый
507
160
253
ЦВЕТ-темно-серый
-314
268
723
268
254
ЦВЕТ-темно-синий
15
226
71
255
ЦВЕТ-фиолетовый
296
94
256
ЦВЕТ-черно-синий
844
267
257
ЦВЕТ-черный
-146
55
158
209
27
473
473
207
258
КПП-А
-274
139
139
200
200
200
200
200
200
152
259
КПП-В
-595
178
515
269
260
КПП-Вар
15
563
178
261
КПП-М
248
-449
-803
299
262
КПП-робот
282
-859
295
263
ОТДЕЛКА САЛОНА-велюр
390
282
144
264
ОТДЕЛКА САЛОНА-кожа
-582
137
247
324
380
380
380
380
380
305
265
ОТДЕЛКА САЛОНА-комбинированный
-32
268
87
266
ОТДЕЛКА САЛОНА-ткань
174
-166
-323
-603
221
Созданы аналогичные модели с применением других частных критериев (таблица 9) преобразования матрицы абсолютных частот и матриц условных и безусловных процентных распределений в матрицы знаний, которые здесь не приводятся из-за ограниченного объема статьи.
При появлении новых данных и старении ранее использованных осуществляется пересинтез моделей на новых актуальных данных, что занимает несколько минут. Это обеспечивает эксплуатацию методики в адаптивном режиме. При необходимости она без труда может быть локализована для других фирм на их данных.
7. Выбор наиболее достоверной модели
В простейшем случае измерение достоверности моделей осуществляется путем решения задачи идентификации объектов обучающей выборки с использованием этих моделей. При этом объект считается относящимся к тому классу, о принадлежности к которому в его системе признаков содержится наиболее суммарное количество информации (это соответствует лемме Неймана-Пирсона). Количественно в СК-анализе и системе "Эйдос" эта степень сходства конкретного объекта с обобщенным образом класса рассчитывается с использованием двух интегральных критериев:
Интегральный критерий "Семантический резонанс знаний" представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
,
где: M - количество градаций описательных шкал (признаков);
- вектор состояния j-го класса;
- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
В текущей версии системы "Эйдос-Х++" значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква "о" в слове "молоко" представлена 3 раза, а буква "м" - один раз).
Интегральный критерий "Семантический резонанс знаний" представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:
где: M - количество градаций описательных шкал (признаков);
- средняя информативность по вектору класса;
- среднее по вектору объекта;
- среднеквадратичное отклонение частных критериев знаний вектора класса;
- среднеквадратичное отклонение по вектору распознаваемого объекта.
- вектор состояния j-го класса;
- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
В текущей версии системы "Эйдос-Х++" значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква "о" в слове "молоко" представлена 3 раза, а буква "м" - один раз).
Приведенное выражение для интегрального критерия "Семантический резонанс знаний" получается непосредственно из выражения для критерия "Сумма знаний" после замены координат перемножаемых векторов их стандартизированными значениями:
Свое наименование интегральный критерий сходства "Семантический резонанс знаний" получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.
Результаты измерения достоверности всех созданных моделей, и статистических, и когнитивных, представляются в соответствующей экранной форме (рисунок 8):
Рисунок 8. Экранная форма с результатами измерения достоверности моделей путем распознавания обучающей выборки
Как в СК-анализе и системе "Эйдос" измеряется достоверность модели? Чтобы ответить на этот вопрос необходимо рассмотреть различные виды верных и неверных прогнозов того, что осуществится и того, что не осуществится.
Рассмотрим, на примере с шестигранным игральным кубиком, различные виды прогнозов: положительный и отрицательный псевдопрогнозы, идеальный и реальный прогнозы.
Положительный псевдопрогноз
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
Отрицательный псевдопрогноз
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
Идеальный прогноз
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
Реальный прогноз
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.
Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.
В системе "Эйдос" достоверность идентификации "k-й" категории (класса) Sk равна [12]:
N - количество объектов в распознаваемой выборке;
BTik- уровень сходства "i-го" объекта с "k-й" категорией, к которой он был правильно отнесен системой;
Tik - уровень сходства "i-го" объекта с "k-й" категорией, к которой он был правильно не отнесен системой;
BFik - уровень сходства "i-го" объекта с "k-й" категорией, к которой он был ошибочно отнесен системой;
Fik - уровень сходства "i-го" объекта с "k-й" категорией, к которой он был ошибочно не отнесен системой.
В системе есть выходные формы, в которых для расчета достоверности применяется данное выражение, но здесь мы их не приводим, т.к. это не входит в задачи данной статьи. Это и есть "золотая середина". Надо искать модель, наилучшую по этому критерию, а не такую, которая дает наивысшую достоверность идентификации саму по себе, т.к. в этом случае мы от модели отрицательного псевдопрогноза кинемся в другую крайность и придем к модели положительного псевдопрогноза. Этот критерий просчитывается в системе Эйдос в ряде выходных форм анализа результатов верификации модели (4.1.3.6 и т.д.).
Затем в соответствии с порядком преобразования данных в информацию, а ее в знания в СК-анализе и системе "Эйдос", представленным на рисунке 2, необходимо выбрать текущей моделью наиболее достоверную из них, с тем, чтобы затем решать в ней задачи идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области. В нашем случае наиболее достоверной оказалась модель INF1, основанная на семантической мере информации А.Харкевича Необходимо отметить, что в других случаях, т.е. при моделировании различных объектов, наиболее достоверными могут оказаться модели, основанные на других частных критериях знаний, приведенных в таблице 9.. Экранные формы режима присвоения наиболее достоверной или иной модели статуса текущей представлены на рисунке 9:
Рисунок 9. Экранные формы режима присвоения наиболее достоверной (или иной) модели статуса текущей
8. Решение задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области с применением наиболее достоверной модели
8.1 Задача идентификации и прогнозирования
После того, как наиболее достоверной модели присвоен статус текущей, необходимо выполнить в ней распознавание обучающей выборки, чтобы увидеть формы результатов идентификации в наиболее достоверной модели. Экранная форма отображения процесса исполнения режима пакетного распознавания приведена на рисунке 10а. В данной статье мы не будем приводить все выходные формы, перечисленные в экранной форме на рисунке 10а, а приведем пример лишь одной из них (рисунок 10б):
а)
б)
Рисунок 10. Экранные формы отображения процесса исполнения режима пакетного распознавания и отображения результатов идентификации
Птичкой: v отмечены результаты идентификации, соответствующие факту.
8.2 Задача принятия решений
Задача принятия решений является обратной по отношению к задаче идентификации: при идентификации по признакам конкретного объекта устанавливается его принадлежность к определенному обобщенному классу, а при принятии решений наоборот, по заданному классу выводится информация о наиболее характерных для него признаках. По сути это информационный портрет класса, содержащий информацию о том, какие признаки наиболее характерны и какие наиболее нехарактерны для данного класса (таблица 14, рисунок 11):
Таблица 14 - информационный портрет минимальной ценовой категории
|
№ |
Код |
Наименование |
Количество информации в битах |
|
|
1 |
3 |
МАРКА-Chevrolet |
0,2964642 |
|
|
2 |
|
Подобные документы
Общая характеристика экспертных программ как систем искусственного интеллекта. Описание реализации в реляционной системе управления базами данных. Рассмотрение особенностей интеграции объектных таблиц принятия решения в проект по распознаванию символов.
дипломная работа [662,5 K], добавлен 20.07.2015Интеллектуальный анализ данных как метод поддержки принятия решений, основанный на анализе зависимостей между данными, его роль, цели и условия применения. Сущность основных задач интеллектуального анализа: классификации, регрессии, прогнозирования.
контрольная работа [25,8 K], добавлен 08.08.2013Предмет и этапы когнитивного анализа задач, его основные методы и их реализация на псевдокодовом языке. Виды факторов, использующихся при когнитивном моделировании систем. Предъявляемые к библиотеке требования, оценка ее экономической эффективности.
дипломная работа [1,3 M], добавлен 29.01.2013Операции в системе управления базами данных (СУБД). MS Access как функционально полная реляционная СУБД. Разработка реляционных моделей баз данных экономического направления. Применение прикладных программ для решения экономико-управленческих задач.
курсовая работа [2,1 M], добавлен 14.01.2015Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.
дипломная работа [1,9 M], добавлен 10.07.2017Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011Краткие сведения о системах принятия решения в режиме показа формул и в режиме пользователя. Принципы решения задач оптимизации. Построение математической модели. Диаграмма "Оптимизация плана перевозок". Создание таблицы БД в Access: база данных, запросы.
курсовая работа [482,3 K], добавлен 12.08.2012Разработка подсистем анализа веб-сайта с помощью Microsoft Access и Olap-технологий. Теоретические аспекты разработки подсистемы анализа данных в информационной системе музыкального портала. Olap-технологии в подсистеме анализа объекта исследования.
курсовая работа [864,8 K], добавлен 06.11.2009Концепции хранилищ данных для анализа и их составляющие: интеграции и согласования данных из различных источников, разделения наборов данных для систем обработки транзакций и поддержки принятия решений. Архитектура баз для хранилищ и витрины данных.
реферат [1,3 M], добавлен 25.03.2013Теоретическая основа линейного программирования. Задачи линейного программирования, методы решения. Анализ оптимального решения. Решение одноиндексной задачи линейного программирования. Постановка задачи и ввод данных. Построение модели и этапы решения.
курсовая работа [132,0 K], добавлен 09.12.2008Обслуживание двух встречных потоков информации. Структура информационных систем. Разработка структуры базы данных. Режимы работы с базами данных. Четыре основных компонента системы поддержки принятия решений. Выбор системы управления баз данных.
курсовая работа [772,0 K], добавлен 21.04.2016Понятие линейного программирования и оптимизации. Основы работы в системе MathCAD. Интерфейс пользователя, входной язык и тип данных. Этапы компьютерного математического моделирования. Пример решения оптимизационной задачи средствами программы MathCAD.
курсовая работа [352,8 K], добавлен 16.10.2011Использование информационных технологий для решения транспортных задач. Составление программ и решение задачи средствами Pascal10; алгоритм решения. Работа со средствами пакета Microsoft Excel18 и MathCad. Таблица исходных данных, построение диаграммы.
курсовая работа [749,1 K], добавлен 13.08.2012Информационные технологии в управлении: комплекс методов переработки исходных данных в оперативную информацию механизма принятия решений с помощью аппаратных и программных средств с целью достижения оптимальных рыночных параметров объекта управления.
контрольная работа [24,1 K], добавлен 15.03.2013Численное и графическое моделирование динамических процессов в механической системе вибрационного типа. Обработка исходных данных и получение необходимых значений в MathCAD Professional. Решение задачи Коши модифицированным методом Эйлера в Excel.
курсовая работа [3,7 M], добавлен 27.08.2012Понятие и назначение виртуализации систем хранения, хранение данных на уровне сервера и коммутатора. Обзор поставщиков решений виртуализации и характеристика их производительности. Изучение групп основных функций, реализуемых в системе хранения данных.
контрольная работа [1,3 M], добавлен 01.06.2014Проектирование системы принятия решения для аттестации знаний абитуриента на основе тестирования. Особенности создания базы данных и плана перевозок с минимизацией затрат. Разработка информационно-логической модели предметной области "Книга" с атрибутами.
курсовая работа [7,9 M], добавлен 10.10.2012Построение дерева принятия решений, реализация данной системы в табличном процессоре. Построение математической модели: в режиме вычислений и показа формул до и после оптимизации. Окно поиска решения. Информационно-логическая модель, ее содержание.
курсовая работа [955,8 K], добавлен 10.10.2012Анализ методов реализации интеллектуальных игр в системе человек-робот. Разработка архитектуры программного комплекса, выбор языка программирования. Алгоритм преобразования данных. Тестирование программного комплекса, редактирование и исправление ошибок.
дипломная работа [2,6 M], добавлен 27.10.2017Технология программирования, основные этапы развития. База данных, понятие,характеристика, основные типы баз. Действие и структура программы С++. Процесс подготовки и решения задач на компьютерах. Написание и отладка программы на языке программирования.
курсовая работа [32,8 K], добавлен 26.01.2011
