ЗАСТОСУВАННЯ АБДУКЦІЇ В ЗАДАЧАХ КЛАСИФІКАЦІЇ ДАНИХ ПРО НАФТОГАЗОВІ ОБ’ЄКТИ
Ключові слова:
оптимізація, інтелектуальна підтримка прийняття рішень, буріння нафтових і газових свердловин, цільові функції, правила, база знань, абдуктивний фреймворк, коефіцієнти впевненості, обме- ження.Анотація
Роботу присвячено питанню використання засобів абдуктивних міркувань для задач видобування даних. Виконане дослідження свідчить, що класифікація даних може бути інтерпретована як одна з задач абдуктивного логічного програмування, яка дозволяє використовувати задані користувачем доменні обмеження. Інтерпретація моделей класифікації на основі дерев рішень абдуктивним способом з використанням доменних обмежень дає змогу отримати підвищення ефективності у випадку часткової відсутності вхідних даних. Також з метою розгляду імовірнісної інформації на основі базових та виведених формальних теорій було виконано розширення загального фреймворку до абдуктивного фреймворку, який базується на вагових коефіцієнтах та може використовуватися для видобування даних, що в кінцевому випадку дасть змогу покращити загальну якість результатів. Таким чином, було показано, що абдуктивні міркування можна використовувати в контексті задач класифікації для пояснення ходу міркувань виконаної класифікації і для підвищення загальної ефективності у випадку роботи системи із частково відсутніми вхідними даними і зовнішніми доменними знаннями. Такий підхід може бути удосконалений шляхом поєднання відмінних парадигм видобування даних, таких як: класифікація, асоціативні правила і кластеризація шляхом використання абдуктивного фреймворку з обмеженнями.
Завантаження
Посилання
2 Liu, B.; Hsu, W. & Ma, Y., Integrating classification and association rule mining. Proceedings of the 4th international conference on Knowledge Discovery and Data mining (KDD'98), AAAI Press, 1998, pp. 80-86.
3 Wenmin Li. CMAR: Accurate and efficient classification based on multiple classassociation rules / Wenmin Li, Jiawei Han, and Jian Pei. – In ICDM, 2001. – Р. 369-376.
4 Вагин В.Н. Абдукция в задачах планирования работ в сложных объектах / В.Н. Вагин, К.Ю. Хотимчук // Искусственный интеллект и принятие решений. – М.: Ленанд, 2011. – Т.1. – С. 3-13.
5 Quinlan J.R. Improved use of continuous attributes in C4.5 / Quinlan J.R. // Journal of Artificial Intelligence Research. – 1996. – V.4. – P. 77-90.
6 Mancarella P. An abductive proof procedure handling active rules / P. Mancarella and G. Terreni // AI*IA 2003: Advances in Artificial Intelligence / A.Cappelli and F.Turini, editors. – SV of LNAI, 2003.– Р. 105-117.
7 Mohammed J. Zaki. Theoretical foundations of association rules / Mohammed J. Zaki and Mitsunori Ogihara; in Proceedings of 3 rd SIGMOD’98 Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD’98), Seattle, Washington, 1998. – P. 10- 17.
8 Eskilson, J. & Carlsson, M., SICStus MT - Multithreaded Execution Environment for SICStus Prolog. Konstantinos F. Sagonas, ed. Implementation Technology for Programming Languages based on Logic, 1998, pp. 59-71.
9 Kakas A.C. Abductive concept learning / Antonis C. Kakas, F. Riguzzi // New Generation Computing, 2000. – V. 18(3). – Р. 243-294.
10 Michell T. Machine Learning / T. Michell. – McGraw Hill, 1997. – 414 p.
11 Kakas A.C. Aclp: Abductive constraint logic programming / A.C. Kakas, A. Michael, and C. Mourlas // Journal of Logic Programming, 2000. – V. 44 (1-3). – Р. 129-177.
12 Dubois D. Automated reasoning using possibilistic logic: Semantics, belief revision, and variable certainty weights / D. Dubois, J. Lang, H Prade. – Knowledge and Data Engineering. – 1994. – Feb. – P. 64-71.
.png)
1.png){kind=logo}
