Inteligentne systemy wspomagania decyzji oparte na wiedzy odkrytej z danych

Roman Słowiński

Wyniki zawarte w prezentowanych pracach dotyczą wspomagania decyzji w oparciu o wiedzę odkrytą z danych przy uwzględnieniu wiedzy dziedzinowej. W tym kontekście wiedza dziedzinowa dotyczy porządku preferencyjnego w danych i semantycznej korelacji między kryteriami (zmiennymi) warunkowymi i decyzyjnymi. Zaproponowana metodyka oparta jest na koncepcji przybliżeń klas decyzyjnych, znanej z teorii zbiorów przybliżonych. W stosunku do klasycznej teorii zbiorów przybliżonych, uwzględnienie powyższej wiedzy dziedzinowej wymagało zastąpienia używanej w definicji przybliżeń relacji nierozróżnialności relacją dominacji. Powstałe podejście nosi nazwę DRSA (Dominance-based Rough Set Approach). Dane i wiedzę dziedzinową można traktować tu jako informacje preferencyjne określonego decydenta. W wyniku zastosowania podejścia DRSA do takich danych uzyskuje się model preferencji decydenta w postaci zbioru reguł decyzyjnych opartych na dominacji. Model ten może być wykorzystany do wyjaśniania preferencji i/lub predykcji nowych decyzji. Podejście DRSA nadaje nową perspektywę modelowaniu preferencji. Autorzy dokonali wnikliwej charakteryzacji podstaw aksjomatycznych regułowego modelu preferencji i modeli klasycznych (funkcji użyteczności i relacji przewyższania). Ważnym wnioskiem z tych badań jest udowodniony fakt, że model preferencji w postaci reguł decyzyjnych jest najogólniejszym modelem preferencji wśród wszystkich znanych operatorów agregacji. Autorzy udowodnili także, że funkcja użyteczności lub relacja przewyższania istnieje dla danego zbioru danych wtedy i tylko wtedy, gdy istnieje model regułowy. W zakresie modelowania preferencji metodą indukcji reguł decyzyjnych z przybliżeń klas decyzyjnych, zaobserwowano także możliwość wykorzystania komplementarności teorii zbiorów przybliżonych i teorii zbiorów rozmytych - dotyczą one bowiem różnych rodzajów "niedoskonałości" danych, odpowiednio, niespójności i nieostrości. Powyższe wyniki nadają również nową perspektywę inteligencji maszynowej i eksploracji danych, gdyż włączają wiedzę o preferencjach do wiedzy odkrywanej z danych.

Słowa kluczowe: Wspomaganie decyzji, Inteligencja maszynowa, Modelowanie preferencji, Reguły decyzyjne, Aksjomatyzacja modeli preferencji, Teoria zbiorów przybliżonych

Strzałka w
lewoSpis referatów, Pełny tekst PDF