Введение
ГЛАВА 1. Обзор методов извлечения и обобщения знаний 11
1.1. Машинное обучение и извлечение знаний 11
1.2. Основные понятия и определения 12
1.3. Представление знаний 16
1.4. Проблемы извлечения и обобщения знаний 19
1.4.1. Ограниченная информация 20
1.4.2. Искаженная и неполная исходная информация 24
1.5. Подходы к решению задачи обобщения понятий 26
1.5.1. Стратегии управления в обучении на примерах 27
1.5.2. Алгоритм исключения кандидата и фокусирование 28
1.5.3. Индукция решающих деревьев 35
1.5.4. Подход с использованием приближенных множеств 39
1.6. Выводы 41
ГЛАВА 2. Подход с использованием теории приближенных множеств 44
2.1. Основные понятия и определения теории приближенных множеств 44
2.2. Методы теории приближенных множеств 52
2.2.1. Проблема поиска среза 53
2.2.2. Выполнение дискретизации 57
2.2.3. Построение решающих правил 63
2.3. Выводы 66
ГЛАВА 3. Разработка алгоритма обобщения на основе подхода приближенных множеств 68
3.1. Разработка модификации алгоритма дискретизации непрерывных областей значений атрибутов 69
3.2. Разработка модификации алгоритма выбора существенных атрибутов, совмещенного с этапом дискретизации 80
3.3. Разработка модифицированной стратегии применения решающих правил для классификации ранее неизвестных объектов 84
3.4. Эксперименты на тестовых наборах данных
3.4.1. Эксперименты на данных «задач монахов» 87
3.4.2. Медицинские данные 89
3.4.3. Данные проекта StatLog 90
3.4.4. Другие наборы данных 92
3.5. Выводы 94
ГЛАВА 4. Программная реализация 96
4.1. Структура программного комплекс а 96
4.2. Основные функции, выполняемые программой 97
4.3. Описание программы 98
4.4. Примеры работы 104
4.5. Выводы 112
Заключение 114
Список литературы 119
