人工智能例題大綱-wenkub
2023-04-08 06:37:17 本頁面
【正文】 1/2)) =1將H(ST)和H (SF)代入條件熵公式，有： H(S|x2)=(|ST|/|S|)H(ST)+ (|SF|/|S|)H(SF) =(4/6)﹡1 + (2/6)﹡1 =1可見，應該選擇屬性x1對根節(jié)點進行擴展。解： 設根節(jié)點為S，盡管它包含了所有的訓練例子，但卻沒有包含任何分類信息，因此具有最大的信息熵。 游戲要達到的目標什是把所有W都移到B的左邊。其歸結樹如下圖所示，即存在一個到空子句的歸結過程。 將知識用謂詞表示為： (?x)(P(x)→L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花)) 解：(2) 定義謂詞 S(x)：x是計算機系學生 L(x, pragramming)：x喜歡編程序 U(x,puter)：x使用計算機 將知識用謂詞表示為： 172。. . . .1. 用謂詞邏輯知識表示方法表示如下知識： (1) 有人喜歡梅花，有人喜歡菊花，有人既喜歡梅花又喜歡菊花。 (?x) (S(x)→L(x, pragramming)∧U(x,puter))2. 請用語義網絡表示如下知識： 高老師從3月到7月給計算機系的學生講“計算機網絡”課。 因此G為真。對這個問題，請定義一個啟發(fā)函數h(n)，并給出用這個啟發(fā)函數產生的搜索樹。即： H(S)= (P(+)log 2P(+) P()log2 P())式中 P(+)=3/6，P()=3/6即有 H(S)= ((3/6)*log (3/6) (3/6)*log (3/6)) = *(1) *(1) = 1 按照ID3算法，需要選擇一個能使S的期望熵為最小的一個屬性對根節(jié)點進行擴展，因此我們需要先計算S關于每個屬性的條件熵： H(S|xi)= ( |ST| / |S|)* H(ST) + ( |SF| / |S|)* H(SF)其中，T和F為屬性xi的屬性值，ST和SF分別為xi=T或xi=F時的例子集，|S|、| ST|和|SF|分別為例子集S、ST和SF 的大小。用x1對S擴展后所得到的部分決策樹如下圖所示。通過分析可知h(n)≤h*(n)，滿足A*算法的限制條件。)f(H)=13用ID3算法完成下述學生選課的例子 假設將決策y分為以下3類： y1：必修AI y2：選修AI y3：不修AI做出這些決策的依據有以下3個屬性： x1：學歷層次 x1=1 研究生，x1=2 本科 x2：專業(yè)類別 x2=1 電信類，x2=2 機電類 x3：學習基礎 x3=1 修過AI，x3=2 未修AI 。 下面先計算S關于屬性x1的條件熵： 在表61中，x1的屬性值可以為1或2。由于y3已是具體的決策方案，故該節(jié)點的信息熵為0，已經為葉節(jié)點。由于它對屬性x1和x2的條件熵相同，因此可以先選擇x1，也可以先選擇x2。 把已知前提用謂詞公式表示如下： C(zhang, li) (?x) (?y) (?u) (C(x, y)∧At(x, u)→At(y,u)) At(zhang, 302) 把目標的否定用謂詞公式表示如下： ﹁(?v)At(li, v) 把上述公式化為子句集： C(zhang, li) ﹁C(x, y)∨﹁At(x, u)∨At(y, u) At(zhang, 302)把目標的否定化成子句式，并用重言式 ﹁At(li,v) ∨At(li,v)代替之。公式：A 估價函數 用來估計節(jié)點重要性，定義為從初始節(jié)點S0出發(fā)，約束經過節(jié)點n到達目標節(jié)點Sg的所有路徑中最小路徑代價的估計值。則稱滿足上述兩條限制的A算法為A*算法。即 CF1(H)=CF(H, E1) max{0, CF(E1)} CF2(H)=CF(H, E2) max{0, CF(E2)} (2) 用如下公式求E1與E2對H的綜合可信度 G 帶加權因子的可信度推理在這種不確定性推理中，證據的不確定性仍然用可信度因子表示，組合證據的可信度可通過計算得到。是外部輸入的證據和已證實的命題，在證據E39。 由于f(A) ∈[0, 1]，因此CER(A) ∈[0, 1] O 組合證據的不確定性表示當組合證據是多個證據的合取時 E=E1 AND E2 AND … AND En則 CER(E)=min{CER(E1), CER(E2), … ,CER(En)} 當組合證據是多個證據的析取時 E=E1 OR E2 OR … OR En則 CER(E)=max{CER(E1), CE
環(huán)評公示相關推薦
鄂ICP備17016276號-1