Instance Based Learning-2 یادگیری بر پایه نمونه Instructor : Saeed Shiry & Mitchell Ch.
Download
Report
Transcript Instance Based Learning-2 یادگیری بر پایه نمونه Instructor : Saeed Shiry & Mitchell Ch.
Instance Based
Learning-2
یادگیری بر پایه نمونه
Instructor : Saeed Shiry
& Mitchell Ch. 8
Radial Basis Functions
روشی برای تقریب توابع است.
یادگیری با RBFارتباط نزدیکی با شبکه های عصبی مصنوعی و
Distance-weighted regressionدارد.
در این روش فرضیه یادگرفته شده بصورت زیر میباشد:
k
))fˆ ( x) w0 wu K u (d ( xu , x
u 1
در این روش از تعداد kتابع کرنل برای تقریب تابع استفاده میشود .تابع
کرنل معموال بصورت یک تابع گاوسی انتخاب میشود:
2
) d ( xu , x
1
2
2 u
K u (d ( xu , x)) e
Radial Basis Functions
نشان داده شده است که در صورتیکه تعداد کافی تابع کرنل گاوسی انتخاب شوند ،با
استفاده از RBFمیتوان هر تابعی را با خطای نسبتا کمی تقریب زد.
رابطه فوق را میتوان به یک شبکه عصبی دو الیه تشبیه نمود که
الیه اول مقادیر کرنل ها و
الیه دوم مجموع آنها را محاسبه مینماید.
)f(x
k
))fˆ ( x) w0 wu K u (d ( xu , x
u 1
wk
w1
W0
w2
…
Kk
K1
K2
…
xn
x3
x1 x2
1
آموزش RBF
در صورت داشتن مجموعه ای از مثالهای آموزشی ،آموزش
RBFدر دو مرحله صورت میگیرد:
.1
.2
تعداد توابع کرنل انتخاب میشود .بعبارت دیگر با انتخاب مقداری
برای ,Kمقادیر xu , 2uبرای هر تابع کرنل تعیین میگردد.
وزنهای شبکه طوری انتخاب میشوند که شبکه با داده های آموزشی
منطبق گردد .اینکار با استفاده از رابطه خطای کلی زیر انجام
میشود
2
1
ˆ
))E ( w) ( f ( x) f ( x
2 xD
نحوه انتخاب تعداد واحدهای مخفی
.1
بازا هر مثال آموزشی >)<xi,f(xiیک کرنل گاوسی
تخصیص داده میشود.
این تابع به مرکزیت xiبوده و برای تمامی آنها مقدار یکسان 2در
نظر گرفته میشود.
شبکه RBFطوری آموزش داده میشود که بتواند تقریبی کلی برای
تابع هدف پیدا کند .توجه شود که هر مثال آموزشی فقط میتواند در
همسایگی xiتابع تقریب زده شده را تحت تاثیر قرار دهد.
وزنها طوری محاسبه میشوند که بازا هر مثال
آموزشی >)<xi,f(xiدرخروجی شبکه رابطه ) f’(x)=f(xبرقرار
باشد .بدین ترتیب شبکه RBFبطور کامل با مثالهای آموزشی
انطباق خواهد داشت.
نحوه انتخاب تعداد واحدهای مخفی
در این روش تعداد تابع کرنل انتخاب شده کمتر از تعداد مثالهاست.
.2
این روش بازدهی بیشتری از روش قبلی دارد.
مرکز کرنل ها را میتوان بصورت یکنواخت انتخاب نمود.
در حالتیکه توزیع نمونه ها غیر یکنواخت باشند میتوان توزیع کرنل ها را هم
بصورت مشابهی انتخاب نمود.
یک راه دیگر کالسترینگ نمونه ها و تخصیص یک کرنل به هر کالستر است.
K2
K1
ویژگی های شبکه RBF
آموزش این شبکه ها آسانتر از شبکه های عصبی معمولی
است که از روش Back Propagationاستفاده میکنند.
این شبکه یک تقریب کلی از تابع را با استفاده از مجموع
تقریبات محلی محاسبه میکند.
Case Based Reasoning
Case Based Reasoning
سه خاصیت اصلی سیستم های یادگیری بر پایه نمونه:
.1روشهای یادگیری تنبلی هستند که عمل تعمیم تا مشاهده
نمونه جدید به تعویق میافتد
.2برای دسته بندی نمونه جدید ازمثالهای مشابه استفاده میشود
.3نمونه ها توسط نقاطی با مقادیر حقیقی در فضای nبعدی
نشان داده میشوند
روش یادگیری CBRازدو ویژگی اول تبعیت میکند در حالی که برای نمایش نمونه ها از
روش سمبلیک استفاده مینماید .به همین دلیل بدست آوردن نمونه های مشابه مشکل تر است
مسائلی را که به شیوه CBRحل میکنیم
CBRمشابه روشی است که آدمی برای حل برخی از مسائل بکار
میبرد .نظیر:
پزشکی :
اغلب پزشکان نمونه های قبلی بیماران را بخاطر سپرده و در مواجهه با بیماران جدید
از تجربه گذشته سود میبرند.
حقوق:
قضاوت درکشورهائی مثل امریکا و انگلستان بر اساس اختالفات گذشته و رای هائی
که برای آنها صادر شده است انجام میشود.
بنگاه مسکن :
معموال قیمت خانه ها بر اساس خانه های مشابهی که اخیرا فروش رفته اند تعیین
میگردند.
اجزا سیستم CBR
Case-base
Retrieval of relevant cases
یک دیتا بیس از مثالهای قبلی
استفاده از ایندکس برای مثالهای موجود در دیتا بیس
قابلیت تطبیق با شبیه ترین مثالها
بدست آوردن راه حل با استفاده از مثالهای مشابه
Adaptation of solution
تغییر دادن راه حل بنحویکه اختالف بین مثال مورد بررسی و نمونه
های پیدا شده در دیتا بیس را در نظر بگیرد.
CBR Solving Problems
Solution
Retain
Adapt
Database
Retrieve
Similar
New
Problem
Review
تعیین نرخ مسکن:CBR مثالی از
Case Location Bedrooms Recep
code
rooms
1
8
2
1
Type
floors Condition
terraced
1
poor
Price
£
20,500
2
8
2
2
terraced
1
fair
25,000
3
5
1
2
semi
2
good
48,000
4
5
1
2
terraced
2
good
41,000
Test instance
Case Location Bedrooms Recep
code
rooms
5
7
2
2
Type
semi
floors Condition
1
poor
Price
£
???
چگونگی ایجاد قوانین
مثالهائی را پیدا میکنیم که تا حد زیادی شبیه هم باشند
case 1 and case 2
قانون : R1اگر تعداد recep-roomsاز 2به 1تغییر کند قیمت
را £5,000کاهش دهید.
case 3 and case 4
قانون : R2اگر Typeاز semiبه terracedتغییر کند قیمت را
£7,000کاهش دهید.
انطباق
مثال مورد بررسی را با مثالهای ذخیره شده مقایسه کرده و
موارد انطباق را مشخص میکنیم:
matches(5,1) = 3
matches(5,2) = 3
matches(5,3) = 2
matches(5,4) = 1
Estimate price of case 5 is £25,000
Adaptation
قانون 2معکوس میشود:
قانون : R2اگر Typeاز semiبه terracedتغییر کند قیمت را
£7,000افزایش دهید.
اعمال قانون معکوس
پیش بینی جدید از قیمت مسکن مورد نظر £32,000است
یادگیری
بدین ترتیب یک caseجدید و یک قیمت جدید تخمین زده
شده است.
در این مرحله چیزی به دیتا بیس اضافه نمیشود.
اگر در آینده این خانه به قیمت £35,000فروش برود این
مورد به عنوان یک caseجدید اضاقه شده و یک قانون جدید
هم اضافه میشود
اگر از 8به 7تغییر کند قیمت را به میزان £3,000اضافه میشود.
مثالی از CADET : CBR
سیستم CADETاز CBRبرای طراحی مفهومی
ابزارهای مکانیکی ساده مثل شیر آب استفاده میکند.
کتابخانه این سیستم دارای 75طرح مکانیکی قبال طراحی
شده است
مثالها بصورت <qualitative function, mechanical
>structureذخیره میشوند.
سوال ارائه شده به سیستم :عملکرد مورد نیاز
هدف :یافتن ساختار مکانیکی مناسب
مثالی از CADET : CBR
یک caseذخیره شده :لوله با اتصال T
Structure
ُ
Function
+Q1
Q3
+
T = temperature
Q = waterflow
Q1, T1
Q2
+
T1
Q3, T3
T3
+
T2
عالمت +به این معناست که با افزایش
جریان آب در Q1مقدار آن در Q3نیز
افزایش میابد.
Q2, T2
عملکرد مثال ذخیره
شده بصورت رابطه
کمی بین مقدار آب
عبوری در ورودیها
و خروجیهای لوله و
درجه حرارت بیان
میشود.
مثالی ازCADET : CBR
یک مسئله طراحی جدید:
? Structure
+
آب مخلوط Qm
آب سرد
Ct +
+
Qc
+
+
+
Qh
Cf +
آب گرم
Tc +
Tm
سیگنال کنترل حرارت
+
Th
سیگنال کنترل جریان آب
مثالی ازCADET : CBR
سیستم CADETبرای حل مسئله آنرا به گرافهای جزئی
تقسیم کرده و بدنبال مثالهائی میگردد که با آن مشابه باشند.
سپس راه حلهای پیدا شده را با استفاده از یک سیستم
Knowledge basedبا هم ترکیب میکند تا به نتیجه
مطلوب برسد.
همچنین با استفاده از دانش قبلی درصورت لزوم در مورد
روابط فیزیکی استنتاج نیز میکند:
+ +
ُAxB
is rewriten as
+
AB
موارد استفاده
معموال CBRدر مواقعی استفاده میشود که تئوری مناسبی
وجود ندارد و یا اینکه امکان مدل کردن مسئله توسط افراد
خبره میسر نیست.
همچنین در مواردیکه تعداد استثنائات مثالها از قوانین زیاد
است این روش میتواند موثر باشد.
سیستم های CBRبسرعت آماده استفاده میشوند و با افزایش
مثالها قدرت آنها نیز بیشتر میشود.
مشکالت
وقتی که هیچ مثال مشابهی در دیتا بیس نباشد راه حل CBR
نامناسب خواهد بود.
CBRقادر نیست تا یک مثال جدید را تشخیص دهد.
بازیابی و ترکیب caseها برای یافتن پاسخی به سوال فعلی
ممکن است نیازمند روشهای Knowledge based
reasoningو روشهای حل مسئله search-intensive
باشد.