6.3.1 Denizioni
Learning indurre funzionigenerali da esempiparti olari ditraining
Con ept learning a quisire ladenizione diuna ategoria generale datoun insieme diesempi positivie
negativi della ategoria stessa
Best Fit hypothesis determinarel'ipotesi
h
hemeglio siadatta agli esempiditrainingGeneral-to-Spe i introduzione nello spazio delle ipotesiHdiun ordinamento parziale
Find-s/Version Spa e studio dialgoritmi he onvergonoinH all'ipotesih orretta.
Nel Con eptLearning sitratta di
Inferenziare automati amente una funzioneLearning booleanaa partiredall'insieme dei
trai-ning examples
< input, output >
Adesempio,seilTargetCon eptèGiorniin uiilmioami oAldoprati ailsuosportd'a quapreferito,
datoun training setdiinput, il Con eptLearning portaad apprendere a predireil valore diEnjoySport
perungiorno arbitrario,sullabase degli attributi delgiorno stesso.
6.3.3 Con ept Learning ome ri er ainH
Perla rappresentazione della funzione ipotesi
h
, nell'ipotesi sempli e, ogni ipotesih onsiste nell'unione deivin oli espressi negliattributi ammessi nella singolaistanza. Possibilerappresentazione:•
Un vettore di 6 elementi/vin oli he spe i ano i valori dei 6 attributi Sky, AirTemp, Humidity, Wind,Watere Fore ast•
Perogniattributo, l'ipotesipotrà ontenere iseguenti valori:?
→
ognivalore dell'attributoè a ettabileIl valoretra quelli onsentiti
0
→
nessunvalore perquell'attributo•
Se una istanza x soddisfa tutti i vin oli dell'ipotesi h allora h lassi a x ome esempio positivo:h(x) = 1
Es. di ipotesi h:
<?, Cold, High, ?, ?, ? >
. Aldo prati a lo sportsolo nei giorni freddi on umidità alta.Ipotesih piùgenerale
<?, ?, ?, ?, ?, ? >
: ognigiornoè buonoperfaresportd'a quaIpotesihpiùspe i a< 0, 0, 0, 0, 0, 0 >
: nessun giornoè buono perfaresport d'a quaDenizioni:
Insieme delle istanze X l'insieme di items sui quali il on etto è denito. (Insieme di tutti i possibili
giorni)
Target Con ept la funzione/ on ept he deve essere appresa. In generale può essere qualunque
funzione booleana denitasu X: : X->[0,1℄
Training ExamplesD : formato da n istanze
x ∈ X
insieme a n valori orrispondenti (x): <x, (x)>.Se (x)=1 siparla diesempipositivi mentre per (x)=0 siparla diesempinegativi
Insieme H insieme di tutte lepossibiliipotesih andidate alla determinazione dellafunzione target
Obiettivo determinare
h ∈ H
tale heh(x) = c(x)
pertutti glix ∈ X
Dati:
Istanze X giorni possibili, ias uno dei quali des ritto dagli attributi: Sky (Sunny, Cloudy e Rainy),
AirTemp(Warm, Cold),...
Ipotesi H ias unaipotesih èdes ritta dall'unione divin oli sugliattributi 1,...,6 +<?>e <0>
Con etto Target C EnjoySport: X->0,1
Esempi ditraining D esempipositivie negativi della funzionetarget
Determinare una ipotesi
h ∈ H
tale he h(x)= (x)∀x ∈ X
.6.3.4 Con ept Learning as Sear h
Il on ept learning può essere visto ome il ompito ditrovarela funzione h attraverso una ri er a nello
spazio HObiettivodella ri er ainH:trovarelafunzioneh he meglioapprossimi suitraining examples
(best th). È ne essariodunquelo studiodialgoritmi e te ni he diri er a inH.
Siintrodu e nell'insiemeHunordinamento hefa ilitilari er adellafunzioneh. Ogniistanza
lassi- ata omepositivada
h 1è
lassi
ata
omepositivaan
hedah 2,
ioèh 2piùgeneraledih 1. L'ordinamento
è quindi dal più spe
i
o al più generale. L'ordinamento parziale ≥ g proposto gode della proprietà di
h 2piùgeneraledih 1. L'ordinamento
è quindi dal più spe
i
o al più generale. L'ordinamento parziale ≥ g proposto gode della proprietà di
≥ g proposto gode della proprietà di
riessività,diantisimmetria edi transitività.
Consente lari er adell'ipotesipiùspe i a:
1. Inizializza halla ipotesipiùspe i a inH.
2. Perogni istanzapositiva ditraining xe perogniattributo on vin olo
a i inh,seil vin
olo a i non
è soddisfattoda xallorasostituis i
a i inh on ilvin olo piùgeneralesoddisfatto dax È quindipiùspe i a rispettoa tuttele ipotesifornite.
hdiFind-Sèiltarget on ept? Find-Snon igarantis e henonesistanoaltreipotesihinH onsistenti
on idati. Civorrebbe unalgoritmo he dessemaggiori informazioni sullospazioH eh. Per hè predilire
l'ipotesi piùspe i a? Quanto sono onsistenti gli esempi di training? Find-S può essere guidato male
dalrumore(ignorando esempinegativi). Vorremmounalgoritmo hetenesse ontodelrumore neidatiSe
esistono piùipotesih onsistenti on idati?
La risposta stanelVersionSpa eed altrialgoritmi.
6.3.6 Version Spa e
Una ipotesihè onsistente onuninsiemeditrainingexamplesDseesoloseh(x)= (x)perogniesempio
<x, (x)>inD.
Il versionspa eè il sottoinsiemediHformato da tutte leipotesih onsistenti inD
L'algoritmoList-Then-Eliminatefornis eilsetdiipotesi onsistente oniltrainingsetedappartenente
al trainingset.
Version Spa e: lo rappresentiamo on i suoi membri più generali e meno generali. Essi formano due
insiemidi onne,GedS(GeneraleSpe i ) hedelimitanoilversionspa edentrolospazioparzialmente
ordinato delle ipotesi.
AlgoritmodiapprendimentoCandidate-Elimination Cal olailVersionSpa e ontenentetutteleipotesi
di H he sono onsistenti on una sequenza osservata di esempi di training. Parte inizializzando il VS
all'insieme ditutte leipotesiinH,ossiainizializzando Ged S.
G 0 {<?,?, ?,?, ?, ?>} S 0 {<0, 0,0,0,0,
0>} L'algoritmo ritornailVS ontenente tutte leipotesi onsistenti ongli esempi esolo quelle.
Converge all'ipotesi h orretta a patto he non i siano errori negli errori di training e esista in H
l'ipotesih. Può onvergere an he adun insieme vuoto.
7 Logi a Fuzzy
Le te ni he di ontrollo fuzzy sono oggi estensivamente utilizzate in molti settori; tra questi si itano
appare hiature di largo onsumo ome lavatri i e tele amere ma an he impianti di depurazione delle
a quee ambiautomati idivetture diprestigio. Allabasediquestoappro ioèingenerelarealizzazione
di un sistema di ontrollo he in orpora e emula, tramite regole, la onos enza di esperti del settore.
Altreappli azioni sviluppatere entementeriguardanoil trattamento didatisensoriali per l'estrazione di
informazioni inpresenza diforti in ertezze nonstrutturate.
Quandousareil ontrollointelligente fuzzy? Quandoitasksonobenposti,sihannomodelliadabilie
onos enzequantitative siutilizzanometodidi ontrollo lassi i. Vi eversa,quandoitasksono omplessi,
modelliin erti e unelevato osto della onos enza quantitativa siappli a inve e il ontrollo intelligente.
All'internoditales elta, sela onos enzaqualitativa èdisponibileedèutilesiusanometodi Rule based
o algoritmi i (fuzzy). Se inve e la onos enza qualitativa non è sfruttabile, si adottano appro i ad
apprendimento (Learning), omelereti neurali.
7.1 Insiemi Fuzzy
Un elemento
x
dell'insiemeuniversaleU
puòappartenereomenoaduninsiemeA
. L'insiemeA
èdenitodalla suaf n. aratteristi a:
µ A : U → {0, 1}
(7)µ A = A(x) =
( 1
sex ∈ A
0
altrimenti (8)Ho quindisolo valoridis reti: 0 o1.
proposizioni, al olandoil gradodiverità diun'aermazione. Se
U
èdis reto,si puòenumerareil fset.Ilproblemadiquestoappro ioèdeterminarequalèl'andamentogiusto dellafunzione. Las eltadella
funzione aratteristi a è legata infatti alla soggettività, all'arbitrarietà. La dierenza signi ativa della
logi a fuzzy rispetto alle altre logi he si può notare on il seguente esempio. Se la domanda è: C'è un
panino olsalameinfrigo? è larispostaha valore
0.5
,selainterpretiamo ome:probabilità signi a forse
misura signi a he 'èmezzo panino
fuzzy signi a he 'è qual osa (magaripane e salameseparati, oppure unpaninoalpros iutto, ...)
Oraelen hiamo i on ettidibasedegli insiemi fuzzy
A(x)
:supporto
x : A(x) > 0
altezza
max(A(x))
. Spesso sinormalizzaa 1.ardinalità
card(A(x)) = P A(x i )
. ValeperU
dis retoα
- utsA α = {x ∈ X : A(x) > α}
. È un on etto utile per des rivere i fuzzy set e per omprendere al une proprietà. È un insieme risp. Nella denizione,α
è variabile, e il valoreA α potrà essere
variinsiemi di
x
spezzati, tali per uilaproprietà vale.7.1.1 Operatori logi i
Per introdurli usiamo un'appro io assiomati o: sono funzioni he soddisfano assiomi desiderabili.
Assiomi peril omplemento
c : [0, 1] → [0, 1]
:1. ondizioni al ontorno:
c(0) = 1
,c(1) = 0
2. monotona non de res ente:
a < b → c(a) ≥ c(b)
3.
c
èuna funzione ontinua (non indispensabile) 4. funzione involutiva:c(c(x)) = x
(non indispensabile)Assiomi perl'unione
u : [0, 1] × [0, 1] → [0, 1]
(altra notazione:∨
):1. ondizioni al ontorno:
u(0, 0) = 0
;u(0, 1) = u(1, 0) = u(1, 1) = 1
2.
u(a, b) = u(b, a)
3. se
a < a ′ e b < b ′,allorau(a, b) < u(a ′ , b ′ )
u(a, b) < u(a ′ , b ′ )
4. proprietà distributiva:
u(u(a, b), c) = u(a, u(b, c))
5.
u
è unafunzione ontinua (non indispensabile) 6. idempotenza:u(a, a) = a
(non indispensabile)Assiomi perl'intersezione
i : [0, 1] × [0, 1] → [0, 1]
(altranotazione:∧
):1. ondizioni al ontorno:
i(1, 1) = 1
;i(0, 1) = i(1, 0) = i(0, 0) = 0
2.
i(a, b) = i(b, a)
3. se
a < a ′ e b < b ′,allorai(a, b) < i(a ′ , b ′ )
i(a, b) < i(a ′ , b ′ )
4. proprietà distributiva:
i(i(a, b), c) = i(a, i(b, c))
5.
i
è unafunzione ontinua (non indispensabile) 6. idempotenza:i(a, a) = a
(non indispensabile) Le forme piùimpiegate sono:c(x) u(a, b) i(a, b)
Nomeu
edi
1 − x max(a, b) min(a, b)
MaxMin (MM)a + b − ab ab
PRod (PR)min(1, a + b) 1 − min(1, 2 − a − b)
BSc[i(a, b)] = u[c(a), c(b)]
Risulta inoltre he,nel asodiunione
u
:M M ⊂ P R ⊂ BS
e, vi eversa, nel asodiintersezione
i
:M M ⊃ P R ⊃ BS
da uisidedu e he
M M
èl'appro io piùdis reto, mentreBS
è l'appro iopiùestremista. Tuttele formeindividuanolapiù onveniente,masoloP R
ontienetuttelesfumature,poi hélafunzionemin(a, b)
è non-interagente. L'appro io
BS
riuta tutto aldisottodiun limite.A ausa dell'idempotenza e della proprietà distributiva he aratterizzano
u
edi
, la perdita diinfor-mazioni è vista ome unarri himento di informazioni. Siha quindi he
i(a, c(a)) 6= 0
eu(a, c(a)) 6= 1
.Infatti unaproposizione puòessere altempostesso unpo'veraeunpo'falsa(frase hetroverebbemolti
dubbi nellalogi a lassi a...).
7.1.2 Impli azioni
L'impli azione oin ide on l'in lusione: l'essere sottoinsieme di. Risulta infatti he
B ⇒ A
seB ⊂ A
.Per esprimerel'in lusione siusanoleseguentiespressioni a piùvalori:
Goedel
B (x) ⊂ A(x) =
( 1
seB (x) ≤ A(x) A(x)
altrimentiGoguen
B (x) ⊂ A(x) = (1
seB(x) = 0 min
1, A(x) B(x)
altrimenti
Lukas
B (x) ⊂ A(x) = min (1, 1 + A(x) − B(x))
Quando
B(x) ≤ A(x)
,tuttele3espressionisonougualia1. LedierenzesivedonoquandoB(x) > A(x)
.Con Goedel è uguale ad
A(x)
, on Goguen è uguale aA(x) B(x)
, on Lukas è uguale a1 + A(x) − B(x)
.Prati amente, nell'osservarese
A
in ludeB
(A ⊃ B
), risulta he, nquandoA ≯ B
on Goedel si seguel'andamentodi
A
, onGoguensiseguesifapiùomenounamediatraA
eB
,mentre onLukasadistanzeminori tra
A
eB
oin ide un valoremaggiore (quindi ho valori elevati an he quandoA ≯ B
nel asoadesempio he