A modified Case-Based Reasoning method based on the rough set theory

Abstract

EN: Context. Knowledge bases are the main element of artificial intelligence systems. They are formed on the basis of two generally accepted approaches: the object-oriented approach and object-structural approach. Knowledge structuring through its ordering, classification and typing of selected classes is the main operation that is implemented in both approaches. Quite often there are situations when data or knowledge is not exact and it is impossible to perform their exact classification. These features necessitate the development of new approaches aimed at solving problems of extracting knowledge from large arrays of unordered data, structuring, presenting and analytical processing of inexact knowledge in automated construction of knowledge bases. Objective. The objective of this paper is a research of new approaches for solving problems of representation of knowledge about cases in intellectual decision support systems. Method. An approach aimed at modifying Case-Based Reasoning method on the basis of Rough Set Approach has been proposed in this paper. The proposed method forms a partition of cases to determine the degree of their belonging to the goal classes using upper and lower approximations of goal classes, considering the relative importance of classification attributes and formed equivalence classes. Results. The proposed modification of Case-Based Reasoning method allows extracting knowledge about cases from arrays of unordered data with the purpose of the case base construction, and handling the inconsistent (in cases where for the same values of attributes cases belong to different classes), and incomplete (in cases where the values of some attributes or information of the case belonging to the given class is missing or unreliable) information about cases. Conclusions. The proposed method of representation knowledge about cases, their adaptation and subsequent search in the case base formed under uncertainty and existence of inexact, rough, inconsistent UK: Актуальність. Основним елементом систем штучного інтелекту є бази знань, які формуються на основі двох загальноприйнятих підходів: об’єктно-орієнтованого та об’єктно-структурного підходів. При цьому основною операцією, яка реалізується в обох підходах, є структуризація знань за допомогою їх упорядкування та класифікації, типізації виділених класів. Досить часто виникають ситуації, коли дані або знання не є точними і неможливо виконати точну класифікацію. Зазначені особливості обумовлюють необхідність розробки нових підходів спрямованих на вирішення завдань вилучення знань з великих масивів невпорядкованих (необроблених, грубих) даних, структурування, подання та аналітичної обробки неточних знань при автоматизованій побудові бази знань. Метод. В роботі запропоновано підхід, спрямований на модифікацію методу міркувань за прецедентами на основі математичного апарату теорії грубих множин. Запропонований підхід дозволяє виконувати розбиття множини прецедентів для встановлення ступеня їх приналежності до заданих цільових класів на основі операції верхньої та нижньої апроксимацій цільових класів, враховуючи відносну важливість класифікаційних атрибутів та виділені класи еквівалентності, з метою їх подальшої адаптації та пошуку в базі прецедентів. Результати. Запропонована модифікація методу міркувань за прецедентами дозволяє добувати знання про прецеденти з масивів невпорядкованих даних, з метою формування бази прецедентів, та обробляти суперечливу інформацію про прецеденти, у випадку коли при однакових значеннях атрибутів, прецеденти відносяться до різних класів, та неповну інформацію про прецеденти, якщо значення деяких атрибутів або інформація про приналежність прецедентів до заданого класу відсутня або недостовірна. Висновки. Запропонований підхід представлення знань про прецеденти, їх адаптацію та подальший пошук в базі прецедентів, сформованих в умовах невизначеності та наявності неточних, необроблених, суперечливих вихідних даних складає теоретичну підставу для побудови інтелектуальних систем підтримки прийняття рішень.