CBR
-
Upload
nielsenrechia -
Category
Documents
-
view
21 -
download
0
Transcript of CBR
RACIOCÍNIO BASEADO EM CASOS (CBR)
NIELSEN RECHIA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-‐GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
BUSINESS INTELLIGENCE AND MACHINE LEARNING RESEARCH GROUP
Agenda
Experiências passadas Suporte a decisão O que é Raciocínio Baseado em Casos
Fluxo CBR O que é um Caso? Como CBR Funciona? Aprendizado em CBR Quem usa CBR? Como usar CBR? Exemplo
Experiências passadas
Experiências passadas apresentam informações de decisões/ações em nosso dia-‐a-‐dia estas informações são a base de um sistema CBR !!
Custo de um produto? Será o mesmo de dias anteriores? Empresas realizam milhares de decisões em um dia! Decisões corretas podem ser usadas como experiências passadas
Suporte a decisão
CBR utiliza experiências passadas (decisões/ações) para gerar novas decisões/soluções !Problemas para desenvolver um sistema CBR:
Elicitação do conhecimento Suporte a decisão é dinâmico Sistemas requerem manutenções Sistemas devem ser aceitos pelos usuários
O que é CBR?
Solução de novos problemas reutilizando ou adaptando soluções que foram utilizadas na solução de problemas do passado !Similar ao que muitas pessoas realizam rotineiramente para solucionar seus problemas pessoais.
O que é CBR?
Qual resultado de 12 x 12? 144
Qual o resultado de 13 x 12? próximo de 12 x 12 (12 x 12) + 12 156
O que é um Caso?
Atributos/features/characteristics que descrevem um determinado problema Em conjunto com um solução para este problema
textos, números, símbolos, imagens, videos … !
Casos são eventos reais! Que são excelentes para justificar decisões
Fluxo CBR
O que é um Caso?
Atributos/features/characteristics que descrevem um determinado problema Em conjunto com um solução para este problema
textos, números, símbolos, imagens, videos … !
Casos são eventos reais! Que são excelentes para justificar decisões
O que é um Caso?
Características de um casa são: Indexadas Não indexadas
O que é um Caso?
Características indexadas: Usadas para recuperação Indicam a solução para o caso !
Características não indexadas: Não são usadas para recuperação Não indicam a solução para o caso Fornecem valiosas informações contextuais e lições aprendidas !
Características podem mudar de status
Como CBR funciona?
Imagine uma decisão com dois fatores de influência. Você deve conceder um empréstimo para uma determinada pessoa? !Fatores:
rendimento líquido mensal Reembolso mensal do empréstimo
Como CBR funciona?Re
ndim
ento líqu
ido men
sal
0
5
10
15
20
Reembolso mensal do emprésomo
0 0.625 1.25 1.875 2.5
NOVO CASO
CASOS PASSADOS RUINS
CASOS PASSADOS BONS
Como CBR funciona?Re
ndim
ento líqu
ido men
sal
0
5
10
15
20
Reembolso mensal do emprésomo
0 0.625 1.25 1.875 2.5
Bom caso
Como CBR funciona?
Na vida real, o problema pode ser N dimensional Características podem ser ponderadas para refletir sua importância Novas características podem ser adicionadas se elas se tornarem relevantes Tolerante a ruído e a falta de dados Denominado recuperação do vizinho mais próximo (KNN)
Como CBR funciona?
CBR é transparente Experiência passada é um métodos aceito para justificar decisões Vizinho mais próximo recupera os melhores casos passados similares O processo é transparente Fácil de ser entendido pelos usuários Aumenta a aceitação dos usuários
Como CBR funciona?
Sistemas baseados em regras justificam suas decisões apresentando o caminho percorrido.
regra 33 -‐> regra 61 -‐> regra 43 -‐> regra 102 Este caminho pode confundir os usuários !Redes neutrais e algoritmos genéticos podem não justificar suas decisões
Usuários terão de acreditar que o programa está correto
Aprendizado em CBR
Suporte a decisão é dinâmica CBR aprende adquirindo novos casos
Sem adição de novas regras sem a necessidade de novos treinamentos sem renovar a base de dados
Quem usa CBR?
American Express -‐ avaliação de risco em cartões de crédito Microsoft – help desks Barclaycard -‐ fraudes General Electric – diagnóstico de trains, fabricação de plástico British Airways – Manutenção de aviões Daimler Chrysler – Suporte para softwares Analog – Seleção de componentes NASA – apoio para ônibus espaciais Swiss Bank -‐ gestão de investimentos Deloitte Touche -‐ avaliação de fraudes
Exemplo
Falha de um carro Sintomas observados (ex: motor não dá partida) e valores medidos (ex: Voltagem da bateria = 6.3V) Objetivo: Encontrar a causa da falha no carro (ex: Sem bateria) e solução de reparo (ex: recarregar bateria) !Diagnóstico:Um caso descreve um diagnóstico e contém:
Descrição dos sintomas Descrição da falha e a causa descrição da solução de reparo
Diagnóstico
Cada caso descreve uma situação !Casos são independentes um dos outros !Casos não são regras
Solucionando problema
Faça observações sobre o novo caso !Nem todas as características precisam ser conhecidas !O novo problema é um caso sem uma solução
Solucionando um problema
Compare o novo problema com cada caso e selecione o caso mais similar !Similaridade é o conceito mais importante em CBR
Similaridade
Similaridade é avaliada para cada característica Depende do valor da característica Características podem possuir diferentes pesos (importâncias)
Similaridade
Diferentes características possuem importâncias diferentes !Importância Alta:
Problema, Voltagem da Bateria, estado da luz !
Importância Baixa: Fabricante, Modelo, Ano, Cor
Comparação do problema com caso 1
Comparação do problema com caso 2
Reuso da solução do caso 1
Como CBR funciona?
Se o diagnóstico está correto, armazene o novo caso na base de casos.
Referências
Watson, Ian, and Farhi Marir. "Case-‐based reasoning: A review." The knowledge engineering review 9, no. 04 (1994): 327-‐354. Kolodner, Janet. Case-‐based reasoning. Morgan Kaufmann, 2014. de Mantaras, Ramon Lopez. "Case-‐based reasoning." Machine Learning and Its Applications. Springer Berlin Heidelberg, 2001. 127-‐145. Leake, David B. Case-‐Based Reasoning: Experiences, lessons and future directions. MIT press, 1996. MACHADO, N. L. et al. Case-‐based Reasoning for Experience-‐based Collaborative Risk Management. The Twenty-‐Sixth International Conference on Software Engineering and Knowledge Engineering (SEKE 2014), p. 262-‐267, 2014.
RACIOCÍNIO BASE EM CASOS (CBR)
NIELSEN RECHIA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-‐GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
BUSINESS INTELLIGENCE AND MACHINE LEARNING RESEARCH GROUP