第12 章 高阶智慧型決策支援系統.ppt

第12 章 高階智慧型決策支援系統 本章內容 第二代的進階系統則進一步結合類神經網路、基因演算法、案例推理等多種技術，並加入了學習的功能，使其在各種領域的應用更具威力。 類神經網路的概念與應用。 基因演算法的概念與應用。 案例推理系統的概念與應用。 類神經網路(1/8) 類神經網路的最大特色是採非線性函數來建構模型，且具有漸進式學習的能力，能有效地對大量資料進行分析，以利各種非結構性決策的制定。 源起 類神經網路理論起源於1950年代，當時科學家模仿人類大腦的組織及運作方式，開始提出稱之為「感知機」的神經元模型，這是最簡單也是最早的類神經模型，其通常被拿來做分類器使用。 圖12-1 類神經網路的類神經元 圖12-2 單層感知機模型 類神經網路(2/8) 倒傳遞網路學習模式 由上述說明可知，類神經網路模式的優劣，主要取決於神經元的數目、連接方式，以及連接之間的權數。連接方式與神經元數目通常在建模之前已經決定，因此，最重要的工作便是經由實例資料求出各連結之間的權數，以便求解新的問題。 在各種類神經模式之中，倒傳遞模式是用途最廣、商業應用範例最多的一種網路模式。 類神經網路(3/8) 倒傳遞類神經網路架構即是前面所說的多層架構（至少三層），主要包含三個部分： 輸入層 隱藏層 輸出層 ANN在計算求解時，其順序是由輸入層→隱藏層→輸出層，根據輸入資料及權數來計算出加權值，再由轉換函數決定是否將該值列入下一層計算。 圖12-3 XOR問題需要三層結構 圖12-4 倒傳遞神經網路架構 類神經網路(4/8) 類神經網路的應用 類神經網路可用於監督式與非監督式學習。要應用類神經網路做預測及資料分類，有以下幾個基本步驟： 蒐集足夠數量的輸入與輸出結果之案例，以便訓練該神經網路。這些案例通常可分為兩群，一群供訓練用（稱為訓練集）；另一群則做為評估由訓練集所產生的模式準確度（稱為評估集或測試集）。 選定隱藏層的數量與各層中神經元的數量。 選擇適當的轉換函數，並決定學習率與動力。 經長時間的學習調整，直到其誤差變化逐漸收斂至設定範圍內為止。 類神經網路(5/8) 在實務應用上，台灣的台新銀行曾針對日益猖獗的信用卡盜刷犯罪案件，建置「類神經網路人工智慧詐欺偵測系統」（簡稱PRISM），並與VISA及聯合信用卡中心共同推出「持卡人風險辨識服務系統」（簡稱CRIS-NS）。 類神經網路強大的分析能力，在醫學界也發揮了強大的力量。例如，台北忠孝醫院即引進類神經網路判斷系統，判定中、重度頭部外傷病患能否恢復清醒。 在股市投資上運用類神經網路和套利定價理論結合，發現可以有效地找出更高報酬的投資組合。 類神經網路(6/8) 軟體應用：波士頓房屋市場分析 請於XLMiner中載入BostonHousing.xls檔案為範例。在該資料中，輸入變項包含CRIM（社區內的犯罪率）、RM（每戶的平均房間數）、LSTAT（居民屬於社會較低階層的比例）、ZN（該社區住宅用土地的比例）等，以MEDV（在10萬元的中間價位房屋的擁有者數）為輸出變項，使用類神經網路工具計算輸入變項與輸出變項的關係式，便以訓練樣本做為類神經網路學習的參考資料（如圖12-5），因此，與實際系統的誤差較小，大約只有3.07%。而以確認資料為樣本，輸入到類神經網路後的誤差較大，大約為4.02%，這表示類神經網路對於從未見過的輸入，一樣會給予一個合理的輸出。 圖12-5 XLMiner類神經網路分析結果 類神經網路(7/8) 類神經網路的優缺點 優點 可以建構非線性的預測與分析模型。 有良好的擴充性，有些未知的輸入亦可得到適當的處理。 可以接受不同種類的變項做為輸入，適應性強。 可因應新增案例而機動調整其權數。 類神經網路(8/8) 缺點 類神經網路以逐漸趨近的方式更新連結的權值與臨界門檻值，計算量大，相當耗費電腦資源。 所得到的模式並不保證是最佳的，事實上，可能有無限多組模式，因而無法得知哪一組的解為最佳解。 訓練的過程中無法得知需要多少神經元個數，太多或太少的神經元均會影響系統的準確性，因此，往往需以試誤法的方式得到適當的神經元個數。 基因演算法(1/6) 基因演算法是一種模擬人類基因演化的模型。 源起 1950年代，生物學家與電腦學家合作，嘗試在電腦上模擬出基因的運作；1960年代初期，密西根大學的John Holland和他的同事們更將電腦化的遺傳學——染色體、基因、配對基因、適配函數等——應用到其他領域。1967年，Holland的一位學生J. D. Bagley在其畢業論文中首度創用了「基因演算法」這個名詞，來描述這種最適化的技術。1970年代，Holland發展出這項技術強而有力的理論基礎。主要重點包括： 基因演算法(2/6) 以嚴密而具象的科學方法解釋自然界「物競天擇、適者生存」的演化過程。