8

私は推論エンジン (フォワード チェーン) を備えたエキスパート システムを使用していますが、非常に単純な概念を使用して決定木より優れている理由を説明したいと思います。（ある特定の状況で）

同様の質問がstackoverflowにあることは知っていますが、探している答えではありません。

これが私の問題です：

顧客関係管理では、顧客が 1 つの製品について決定を下せるように、さまざまなビジネス ルール (ダイアログ ルールを誘導する) を使用しています。注: ルールは頻繁に追加されます (1 日 2 回)。

顧客は、答えを得る前に一連の質問に答えます。ビジネス ルールとダイアログ ルールを組み合わせることで、結果として得られるアンケートは、最適な意思決定ツリーによって生成されるものと似たものになります。隠れた理屈が全然違うのに。

そのような場合の決定木と比較して、スケーラビリティ、堅牢性、複雑さ、および効率性の観点から、推論エンジンに賛成する（または反対する）主な議論は何かを知りたいです。

すでにいくつかのアイデアはありますが、誰かを説得する必要があるため、十分な議論ができていないようです。

アイデアをお寄せいただきありがとうございます。この件に関して読むべき良い論文を教えていただければ幸いです。

4

2 に答える 2

4

フォワード チェーン推論エンジンは、完全な一次ロジック (if-then ルールに変換) の仕様をサポートしますが、デシジョン ツリーは、セットを特定のサブセットにまで下げることしかできません。たとえば、ユーザーが欲しい車を決定するために両方を使用している場合、一次論理で次のように言うことができます ( CHR構文<=>。LHS を RHS に置き換えます)。

user_likes_color(C), available_color(C) <=> car_color(C).

ユーザーが望む車のブランド/タイプを決定するすべてのルールに加えて、推論エンジンは色やその他の属性を選択します。

決定木では、色用に追加のツリーを設定する必要があります。色が他のプロパティと相互作用しない限りは問題ありませんが、一度相互作用すると、あなたはうんざりします.他のプロパティと競合する色を除いて、すべての色に対してツリー全体を複製する必要がある場合があります。ツリーも変更します。

(色が非常にばかげた例であることは認めますが、アイデアが伝わることを願っています。)

于 2011-06-10T16:54:04.947 に答える
2

そうは言っても、推論エンジンや決定木を実際に使用したことはありません。私の見解では、特定のトレーニング セットから学習して結果を予測する場合は、決定木を使用する必要があります。例として、特定の気象条件 (風、気温、雨など) でバーベキューに出かけたかどうかを示すデータ セットがあるとします。そのデータ セットを使用して、意思決定ツリーを構築できます。デシジョン ツリーの優れた点は、プルーニングを使用してオーバーフィッティングを回避し、モデル ノイズを回避できることです。

推論に使用できる特定のルールがある場合、推論エンジンは決定木よりも優れていると思います。Larsmans はすでに良い例を提供しています。

それが役立つことを願っています

于 2011-06-10T17:44:48.800 に答える