CC BY
35
УДК 004.8
05.00.00. Технические науки
АСК-АНАЛИЗ ЗАВИСИМОСТИ ОПЛАТЫ СОТРУДНИКОВ АПК ОТ ИХ ХАРАКТЕРИСТИК
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57191193316 РИНЦ SPIN-код: 9523-7101 prof. lutsenko @gmail. com
Мартиросов Владимир Гарриевич
студент группы: ПИ 1301
Кубанский государственный аграрный
университет имени И.Т.Трубилина, Краснодар,
Россия
Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В данной работе рассмотрено решение задачи идентификации классов уровней оплаты сотрудников фирмы по их характеристикам. Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта. Удачным выбором являются базы данных с сайта: http://allexcel.ru/gotovye-tablitsy-excel-besplatno. В данной работе использована база данных: «Таблица базы данных сотрудников, расчет выплат». При этом наиболее достоверной в данном приложении оказались модели ШГ4, основанная на семантической мере целесообразности информации А.Харкевича при интегральном критерии «Сумма знаний». Точность модели составляет 0,960, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется Г-критерий Ван Ризбергена и его нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко
UDC 004.8 Technical sciences
ASC-ANALYSIS OF THE DEPENDENCE OF PAYMENTS TO EMPLOYEES OF AIC FROM THEIR CHARACTERISTICS
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57191193316 RSCI SPIN-code: 9523-7101 prof. [email protected]
Martirosov Vladimir Garrievich
Student groups: PI1301
Kuban State Agrarian University, Krasnodar,
Russia
The creation of artificial intelligence systems is one of important and perspective directions of development of modern information technology. As there are many alternatives to artificial intelligence systems, there is a need to evaluate mathematical models of these systems. In this work, we consider a solution of the problem of identifying classes of levels of pay of employees on their characteristics. To achieve this goal, it requires free access to test the source data and methodology, which will help to convert the data into the form needed for work in artificial intelligence systems. A good choice is the databases from the site: http://allexcel.ru/gotovye-tablitsy-excel-besplatno. In this work, we have used the database called "The database table of employees, payments calculation". The most reliable in this application was the model of the INF4 based on semantic appropriate measure of information of A. Kharkevich with integral criteria of "Amount of knowledge". The accuracy of the model is 0.960, which is much higher than the reliability of expert evaluations, which is equal to about 70%. To assess the reliability of the models in the ACS-analysis and the system called "Eidos" we have used F-criterion of van Ritbergen and fuzzy multiclass generalization proposed by Professor E. V. Lutsenko
Ключевые слова: ИССЛЕДОВАНИЕ ЗАВИСИМОСТИ ОПЛАТЫ СОТРУДНИКОВ АПК ОТ ИХ ХАРАКТЕРИСТИК
Рок 10.21515/1990-4665-124-002
Keywords: INVESTIGATION OF THE DEPENDENCE OF PAYMENT TO EMPLOYEES OF AIC FROM THEIR CHARACTERISTICS
СОДЕРЖАНИЕ
ВВЕДЕНИЕ..........................................................................................................................................................2
1. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ............................................................................................3
1.1. Описание решения..........................................................................................................................3
1.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel 3
1.3. Синтез и верификация статистических и интеллектуальных моделей..............................1
1.4. Виды моделей системы «Эйдос»...................................................................................................... 3
1.5. Результаты верификации моделей.................................................................................................. 5
2. РЕШЕНИЕ ЗАДАЧ ИДЕНТИФИКАЦИИ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ...........11
2.1. Решение задачи.............................................................................................................................. 11
2.2. Когнитивные функции................................................................................................................14
2.3. SWOT и PEST матрицы и диаграммы......................................................................................18
2.4. Кластерно-конструктивный анализ признаков..................................................................21
ЗАКЛЮЧЕНИЕ.................................................................................................................................................22
ЛИТЕРАТУРА...................................................................................................................................................23
ВВЕДЕНИЕ
Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В данной работе рассмотрено решение задачи идентификации классов уровней оплаты сотрудников фирмы по их характеристикам.
Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта. Удачным выбором является база данных тестовых задач для систем искусственного интеллекта репозитория UCI.
В данной работе использована база данных «baza dannix sotrudnikov» из банка исходных данных по задачам искусственного интеллекта - репозитория UCI.
Для решения задачи используем стандартные возможности Microsoft Office Word и Excel, блокнот, а также систему искусственного интеллекта "Эйдос- Х++".
1. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ
1.1. Описание решения
В соответствии с методологией АСК-анализа решение поставленной задачи проведем в четыре этапа:
1. Преобразование исходных данных из HTML-формата в промежуточные файлы MS Excel.
2. Преобразование исходных данных из промежуточных файлов MS Excel в базы данных системы "Эйдос".
3. Синтез и верификация моделей предметной области.
4. Применение моделей для решения задач идентификации, прогнозирования и исследования предметной области.
1.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel
Из электронного ресурса баз данных http://allexcel.ru/gotovye-tablitsy-excel-besplatno возьмем базу данных сотрудников - «Таблица базы данных сотрудников, расчет выплат»:
http://allexcel.ru/images/Excel/baza%20dannix%20sotrudnikov2.xls, в которой оставим следующие колонки:
1. Должность
2. Образование
3. Пол
4. Год рождения
5. Год приема на работу
6. Количество детей
7. Стаж
8. Номер отдела
9. Доход
Столбцы 1-8 описательные шкалы.
Столбец 9 является классификационной шкалой. Этот столбец показывает месячный доход сотрудников.
Обучающая выборка:
Таблица 1 - Ьа7а ёапшх sotrudnikov.xls
п Должность Образование Пол Год рожд. Год приема на работу Кол-во детей Стаж № отдела Доход
1 секретарь среднее ж 1974 2001 3 13 1 51660
2 секретарь среднее ж 1988 2007 0 7 1 50400
3 секретарь референт высшее ж 1979 1995 2 19 1 57270
4 юрист высшее м 1947 1991 1 23 1 93375
5 юрист высшее м 1978 1997 0 17 1 93375
6 юрист высшее м 1988 2011 2 3 1 90000
7 бухгалтер высшее ж 1970 1987 1 27 2 49800
8 бухгалтер среднее ж 1951 1995 4 19 2 49800
9 бухгалтер среднее спец. ж 1953 2001 1 13 2 49200
10 экономист высшее ж 1962 1990 3 24 2 54780
11 экономист высшее ж 1984 1996 1 18 2 54780
12 главный бухгалтер высшее м 1964 2000 2 14 2 58080
13 бухгалтер высшее ж 1954 1994 1 20 3 64740
14 бухгалтер высшее ж 1978 2011 0 3 3 62400
15 бухгалтер высшее м 1949 2002 3 12 3 62920
16 дендролог высшее ж 1966 2007 1 7 3 66000
17 архитектор высшее м 1981 1997 1 17 3 99600
18 экономист высшее м 1978 2006 3 8 3 98400
19 экономист высшее ж 1952 2001 2 13 3 100860
20 рабочий среднее ж 1988 2005 0 9 4 45600
21 рабочий среднее м 1982 1995 1 19 4 47310
22 рабочий среднее м 1964 1993 3 21 4 47310
23 рабочий среднее м 1981 1997 1 17 4 47310
24 рабочий среднее м 1967 1991 3 23 4 47310
25 рабочий среднее м 1983 2003 1 11 4 45980
26 рабочий среднее ж 1983 2000 0 14 4 46740
27 рабочий среднее м 1998 2012 0 2 4 45600
28 водитель среднее м 1949 1991 2 23 4 48555
29 водитель среднее спец. м 1967 2006 4 8 4 46800
30 водитель среднее м 1981 2001 1 13 4 47190
31 агроном среднее спец. ж 1971 2007 0 7 4 50400
32 агроном среднее спец. ж 1954 1990 3 24 4 52290
33 инженер высшее м 1983 2013 0 1 4 59250
34 инженер высшее м 1992 2012 3 2 4 52800
35 инженер высшее м 1965 1992 1 22 4 61230
36 инженер высшее м 1981 1992 1 22 4 61230
37 лаборант среднее ж 1990 2007 0 7 5 43200
38 лаборант среднее ж 1991 2007 0 7 5 43200
39 лаборант среднее ж 1989 2001 3 13 5 44280
40 лаборант среднее ж 1982 2001 1 13 5 44280
41 техник среднее м 1989 2006 1 8 5 48000
42 техник среднее спец. м 1979 1995 2 19 5 56250
43 техник среднее спец. м 1993 2009 0 5 5 48000
44 инженер высшее м 1969 1997 3 17 5 58740
45 инженер высшее м 1968 1992 1 22 5 58740
Поскольку ввод исходных данных в систему «Эйдос» планируется осуществить с помощью ее универсального программного интерфейса импорта данных из внешних баз данных, который работает с файлами MS Excel, то преобразуем данные из html-файла в xls-файл, для чего выполним следующие операции.
Скопируем получившуюся таблицу из MS Word в MS Excel и запишем ее с именем: Inp_data.xls в папку: c:\Aidos-X\AID_DATA\Inp_data\. В файле Inp_data.xls добавим пустую колонку на позиции «A» и автоматически пронумеруем все строки. В результате получим таблицу исходных данных, полностью подготовленную для обработки в системе «Эйдос» и записанную в нужную папку в виде файла нужного типа с нужным именем.
Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему "Эйдос".
Для загрузки базы исходных данных в систему «Эйдос» необходимо воспользоваться универсальным программным интерфейсом для ввода данных из внешних баз данных табличного вида, т.е. режимом 2.3.2.2 (рисунок 1).
¿1 2.3.Z2. Универсальные5 программный интерфейс импорта данным в систему "ЭЙДОС-Х- +
= ■ jg i—&ш\
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходные данных: "lnn_data'
Г •. (•••:". Excel-20G7(2G10) Г DBF -DBASE IV [DEiF/NTX) Стандарт DBF-Файле
CSV -:Comma-Separated Values Стандарт CSV-файла
Задав® диапазон столбцов классификационной шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
10
Задайте режим1
f* Формализации предметной области (на основе "Inp da'a") С Генерации распознаваемой выборки (ha основе "lnp_rasp")
<• Н ули и пробелы считать О Т СУ Т СТ В И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!пр_ Требования к Файлу исходных данных
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный сголбец описательных шкал:
Задайте способ выбора размера интервалов: С Равные интервалы с разным числом наблюдений
• Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:
Сценарный метод АСК-анализа:
Записи Файла исходных данных lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга
Спец.интерпретация ТХТ-полей
Значения текстовых полей Файла исходных данных
"! no data" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
» Только интервальные числовые значения (например
Г' Топько наименования интервальных числовых значений (например
V И интервальные числовые значения, и их наименования (например
"1 Ш5Э873.0000С0(]. 178545.6868667}"] "Минимальное")
"Минимальное: 1/3-!53873.0|]80П00.178545.66G66G7}"
Пк
Cancel
Рисунок 1. Экранная форма Универсального программного интерфейса импорта данных в систему "Эйдос" (режим 2.3.2.2.)
В экранной форме, приведенной на рисунке 5, задать настройки, показанные на рисунке:
- "Задайте тип файла исходных данных Inp_data": "XLS - MS Excel-2003";
- "Задайте диапазон столбцов классификационных шкал": "Начальный столбец классификационных шкал" - 10, "Конечный столбец классификационных шкал" - 10(последний столбец в таблице);
- "Задайте диапазон столбцов описательных шкал": "Начальный столбец описательных шкал" - 2, "Конечный столбец описательных шкал"
- "Задание параметров формирования сценариев или способа интерпретации текстовых полей": "Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей".
После нажать кнопку "ОК". Далее открывается окно, где размещена информация о размерности модели (рисунок 2). В этом окне необходимо нажать кнопку "Выйти на создание модели".
Рисунок 2. Задание размерности модели системы "Эйдос"
Далее открывается окно, отображающее стадию процесса импорта данных из внешней БД "Inp_data.xls" в систему "Эйдос" (рисунок 3), а также прогноз времени завершения этого процесса. В том окне необходимо дождаться завершения формализации предметной области и нажать кнопку "ОК".
7Л.7.7. Прпмргг ииппр-гл ллнньиг ич внешней ПЛ "Тпр гГл(-л и гатрм. "ЧЙЛПГ-Х + ч-"
Гт=............._..........
1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с1а(а" - Готово 2/3: Генерация обучающей выборки и базы событий "Еуеп(5К0" на основе внешней БД "1пр_с1а(а" - Готово 3/3: Переиндексация всех баз данных нового приложения - Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Начало: 22:49:29 Окончание: 22:49:31
тх 0к
Прошло: 0:00:02 Осталось: 0:00:00
Рисунок 3. Процесс импорта данных из внешней БД "Inp_data.xls"
в систему "Эйдос"
В результате формируются классификационные и описательные шкалы и градации, с применением которых исходные данные кодируются и представляются в форме эвентологических баз данных. Этим самым полностью автоматизировано выполняется 2-й этап АСК-анализа «Формализация предметной области». Для просмотра классификационных шкал и градаций необходимо запустить режим 2.1 (рисунок 4).
Ф 2.1. Классификационные шкалы и градации. Текущая модель: "1^1" р 11=1 1 ® 1
Кед шкалы I Наименование классификационной шкалы - — л Кед градации Наименование градации классификационной шкалы га А
1 доход 2 1 /4-{43200.0000000, 47310.0000000} -
2/4-{47310.0000000, 50400.0000000}
3 ЗМ-Ш0400.0000000, 59250.0000000}
4 4/4-Ш9250.0000000,100860.0000000}
<1 I И <1 I г
.
Помощь Доб. шкалу | Доб. град, шкалы | Копир, шкалу | Копир, град, шкалы | Копир, шкалу с град. | Удал, шкалу с град Удал, град шкалы Удаление и перекодирование 1
Рисунок 6. Классификационные шкалы и градации
Для просмотра описательных шкал и градаций необходимо запустить режим 2.2 (рисунок 5), а обучающей выборки режим 2.3.1. (рисунок 6):
2.2. Описательные шкалы и градации. Текущая модель: "1МР1"^
Кед шкалы Наименование описательной шкалы 1
ДОЛЖНОСТЬ
ОБРАЗОВАНИЕ
3 ПОЛ
4 ГОД РОЖ Д.
5 ГОД ПРИЕМА НА РАБОТУ
е КОЛ-ВО ДЕТЕЙ
7 СТАЖ.
8 № ОТДЕЛА
<1 1 И
Кед градации Наименование градации описательной шкалы
1Л4-агроном
2/14-архигектор
3 3/14-бухгалтер
4 4/14-водигель
5 5/14-главный бухгалтер
6 6/14-дендролог
7 7/14-инженер
8 8/14-лаборанг
9 9/14-рабочий
10 10/14-секретарь
11 11 /14-секретарь референт
12 12/14-техник
19 13/14^экономист
14 14/14-юрист
«I I И
Помощь Доб. шкалу Доб. град, шкалы Копир, шкалу Копир, град, шкалы Копир, шкалу с град. Удал, шкалу с град. Удал.град.шкалы | Перекодировать | Очистить
Рисунок 5. Описательные шкалы и градации (фрагмент)
Рисунок 6. Обучающая выборка (фрагмент)
ПАРАМЕТРЫ ШКАЛ И ГРАДАЦИЙ С АДАПТИВНЫМИ ГРАНИЦАМИ И ПРИМЕРНО РАВНЫМ КОЛИЧЕСТВОМ НАБЛЮДЕНИЙ ПО ГРАДАЦИЯМ с коррекцией ошибки округления числа наблюдений по интервалу градации при переходе к следующей градации
КЛАССИФИКАЦИОННАЯ ШКАЛА: код: [ 1], наим.: "ДОХОД", набл.на шкалу (всего): 45, тип/число градаций в шкале: "Равное число событий в интервалах"/4
1 Наим.градации: 1/4-{ 43200.0000000, 47310.0000000}, размер интервала= 4110.0000000, расч./факт.число наблюдений на градацию: 11/11
2 Наим.градации: 2/4-{ 47310.0000000, 50400.0000000}, размер интервала= 3 090.0000000, расч./факт.число наблюдений на градацию: 11/11
3 Наим.градации: 3/4-{ 50400.0000000, 59250.0000000}, размер интервала= 8850.0000000, расч./факт.число наблюдений на градацию: 11/11
4 Наим.градации: 4/4-{ 59250.0000000, 10086 0.0000000}, размер интервала= 41610.0000000, расч./факт.число наблюдений на градацию: 12/12
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ОПИСАТЕЛЬНАЯ
ШКАЛА: код: [
1 Наим.градации
2 Наим.градации
3 Наим.градации
4 Наим.градации
5 Наим.градации
6 Наим.градации
7 Наим.градации
8 Наим.градации
9 Наим.градации
10 Наим.градации
11 Наим.градации
12 Наим.градации
13 Наим.градации
14 Наим.градации ШКАЛА: код: [
15 Наим.градации
16 Наим.градации
17 Наим.градации ШКАЛА: код: [
18 Наим.градации
19 Наим.градации ШКАЛА: код: [ 2 0 Наим.градации 21 Наим.градации 2 2 Наим.градации 2 3 Наим.градации ШКАЛА: код: [ 2 4 Наим.градации 2 5 Наим.градации 2 6 Наим.градации 2 7 Наим.градации ШКАЛА: код: [ 2 8 Наим.градации
2 9 Наим.градации
3 0 Наим.градации 31 Наим.градации ШКАЛА: код: [ 3 2 Наим.градации 3 3 Наим.градации 3 4 Наим.градации 3 5 Наим.градации ШКАЛА: код: [ 3 6 Наим.градации 3 7 Наим.градации 3 8 Наим.градации 3 9 Наим.градации
1]
, наим.: "ДОЛЖНОСТЬ", тип/число градаций в шкале: "Равное число событий в интервалах"/14 1/14-агроном 2/14-архитектор 3/14- бухгалтер 4/14-водитель 5/14- главный бухгалтер 6/14-дендролог 7/14-инженер 8/14- лаборант 9/14- рабочий 10/14-секретарь 11/14-секретарь референт 12/14-техник 13/14-экономист 14/14-юрист
, наим.: "ОБРАЗОВАНИЕ", тип/число градаций в шкале: "Равное число событий в интервалах"/3
1/3-высшее
2/3- среднее
3/3-среднее спец.
, наим.: "ПОЛ", тип/число градаций в шкале: "Равное число событий в интервалах"/2
1/2-ж
2/2-м
, наим.: "ГОД РОЖД.", набл.на шкалу (всего): 45, тип/число градаций в шкале: "Равное число событий в интервалах"/4 1/4-{1947.0000000, 1964.0000000}, размер интервала= 17.0000000, расч./факт.число наблюдений на градацию: 11/11 2/4-{1964.0000000, 197 8.0000000}, размер интервала= 14.0000000, расч./факт.число наблюдений на градацию: 11/11 3/4-{1978.0000000, 1983.0000000}, размер интервала= 5.0000000, расч./факт.число наблюдений на градацию: 11/11 4/4-{1983.0000000, 1998.0000000}, размер интервала= 15.0000000, расч./факт.число наблюдений на градацию: 12/12 , наим.: "ГОД ПРИЕМА НА РАБОТУ", набл.на шкалу (всего): 45, тип/число градаций в шкале: "Равное число событий в интервалах"/4 1/4-{1987.0000000, 1994.0000000}, размер интервала= 7.0000000, расч./факт.число наблюдений на градацию: 11/11
6.0000000, расч./факт.число наблюдений на градацию: 11/11 6.0000000, расч./факт.число наблюдений на градацию: 11/11 7.0000000, расч./факт.число наблюдений на градацию: 12/12 тип/число градаций в шкале: "Равное число событий в интервалах"/4 0000000, расч./факт.число наблюдений на градацию: 8/8 0000000, расч./факт.число наблюдений на градацию: 8/8 0000000, расч./факт.число наблюдений на градацию: 9/9 4/4-{3.0000000, 4.0000000}, размер интервала=1.0000000, расч./факт.число наблюдений на градацию: 9/9 , наим.: "СТАЖ", набл.на шкалу (всего): 45, тип/число градаций в шкале: "Равное число событий в интервалах"/4 1/4-{ 1.0000000, 7.0000000}, размер интервала= 6.0000000, расч./факт.число наблюдений на градацию: 11/11
6.0000000, расч./факт.число наблюдений на градацию: 11/11 6.0000000, расч./факт.число наблюдений на градацию: 11/11 8.0000000, расч./факт.число наблюдений на градацию: 12/12 тип/число градаций в шкале: "Равное число событий в интервалах"/4 1/4-{1.0000000, 2.0000000}, размер интервала=1.0000000, расч./факт.число наблюдений на градацию: 11/11 2/4-{2.0000000, 4.0000000}, размер интервала=2.0000000, расч./факт.число наблюдений на градацию: 11/11 3/4-{4.0000000, 4.0000000}, размер интервала=0.0000000, расч./факт.число наблюдений на градацию: 11/11 4/4-{4.0000000, 5.0000000}, размер интервала=1.0000000, расч./факт.число наблюдений на градацию: 12/12
2/4-{1994.0000000, 2000.0000000}, размер интервала= 3/4-{2000.0000000, 2006.0000000}, размер интервала= 4/4-{2006.0000000, 2013.0000000}, размер интервала= , наим.: "КОЛ-ВО ДЕТЕЙ", набл.на шкалу (всего): 34, 1/4-{1.0000000, 1.0000000}, размер интервала=0 2/4-{1.0000000, 1.0000000}, размер интервала=0 3/4-{1.0000000, 3.0000000}, размер интервала=2
2/4-{ 7.0000000, 13.0000000}, размер интервала= 3/4-{13.0000000, 19.0000000}, размер интервала= 4/4-{19.0000000, 27.0000000}, размер интервала= , наим.: "№ ОТДЕЛА", набл.на шкалу (всего): 45,
Тем самым создаются все необходимые и достаточные предпосылки для выявления силы и направления причинно-следственных связей между значениями факторов и результатами их совместного системного воздействия (с учетом нелинейности системы [11]).
1.3. Синтез и верификация статистических и интеллектуальных моделей
Далее запускаем режим 3.5, в котором задаются модели для синтеза и верификации, а также задается модель, которой по окончании режима присваивается статус текущей (рисунок 7).
Рисунок 7. Выбор моделей для синтеза и верификации, а также текущей модели
В данном режиме имеется много различных методов верификации моделей, в том числе и поддерживающие бутстрепный метод. Но мы используем параметры по умолчанию, приведенные на рисунке 7. Стадия процесса исполнения режима 3.5 и прогноз времени его окончания отображаются на экранной форме, приведенной на рисунке 8.
3.5. Синтез v верификация заданных из 1С моделей
in д
Копирование обучающей выборки в распознаваемую - Готово Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез стат.полелей "PRC1" и "PRC2" (усл.безу сл.% распр.) - Гот обо Синтез моделей знаний: ¡NF1 -INF? - Готово
Стадии исполнения процесса Шаг 1-й из 11 Шаг 2-й из 11 Шаг 3-й из 11 Шаг 4-й из 11
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ.' Шаг 5-й из 11: Залание модели "INF?" в качестве текущей - Готово Шаг Б-й из 11: Пакетное распознавание в модели "INF?" - Готово
Шаг ?-й из 11: Измерение достоверности модепи "Inf?" - Интегральный критерий: "Сумма знаний" - Готово КОНЕЦ ЦИКЛА Г10 ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОЗО' Шаг 3-й из 11: объединение БД DostRsp# в БД DostRasp - Готово
Шаг 3-й из 11: Печать сводной формы по результатам верификации моделей - Готово
Шаг 13-й из 11. Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг 11 -й из 1 р "Присвоение заданной модели: Infi статуса текущей" - Готово
Синтез и верификация заданных стат.моделей и ноделей знании унешно завершена !!!
■ Прогноз времени исполнен.-^
Начало: 23:09:14 Окончание: 23:00:32
100%.
0к
Прошло: 0:00:10
Осталось: U:fi0:Ü0
Рисунок 8. Синтез и верификация статистических моделей
и моделей знаний
Интересно заметить (см. рисунок 8), что синтез и верификация всех 10 моделей на данной задаче заняли 18 секунд. При этом верификация (оценка достоверности моделей) проводилась на всех 45 примерах наблюдения из обучающей выборки. В результате выполнения режима 3.5 созданы все модели, со всеми частными критериями, перечисленные на рисунке 10, но ниже мы приведем лишь некоторые из них (таблицы 2, 3, 4).
1.4. Виды моделей системы «Эйдос»
Рассмотрим решение задачи идентификации на примере модели ЮТ1, в которой рассчитано количество информации по А.Харкевичу, которое мы получаем о принадлежности идентифицируемого объекта к каждому из классов, если знаем, что у этого объекта есть некоторый признак.
По сути, частные критерии представляют собой просто формулы для преобразования матрицы абсолютных частот (таблица 2) в матрицы условных и безусловных процентных распределений, и матрицы знаний (таблицы 3 и 4).
Таблица 2 - Матрица абсолютных частот (модель ABS) и условных и безусловных процентных распределений (фрагменты)
Таблица 3 - Матрица информативностей (модель INF1) в битах (фрагмент)
5.5, Модель: "4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1"
; 111
Кад признака Наименование описательной шкалы и градации 1. доход щ (43200.00... 47310..000... .2. ДОХОД 2/4 Шя ЙШ. 50400 000... 3. ДОХОД 3/4 .{50400.00... 53250 000. 4. ДОХОД 4/4 ■¡59250,00... 100860.00. Cgt.tt.id Среднее .Средн. квадр. tsttijt.
1 ДО ЛЖН ОПТ Ы /14-агрсном 0:359 0.236 0.597 0.149 0.179
ш Д0 ЛЖН 0 CT Ь-2/14-аркигектор 0.443 0.44s 0.112 0.224
3 ДОЛЖНОСТЬ-3/1 4-букгалтер 0.359 0.211 0.570 0.143 0.175
4 ДО ЛЖН 0 CT Ь-4/14-всиитель 0.265 0.221 0.436 0.121 0.141
5 Д0ЛЖН0СТЬ-5/14-главный бухгалтер 0.475 0.475 0.119 0.237
е ДО ЛЖН 0 СТЬ-6/14-дендролог 0.443 0.44s 0.112 0.224
7 ДОЛЖНОСТЬ-7/14-инженер 0.336 0.073 0.409 0.102 0.160
3 ДО ЛЖН 0 CT Ь-8 Л 4-лаборант 0.404 0.404 0.101 0.202
3 ДО ЛЖН ОЁТ Ь-9/14-рабочий 0.404 0.404 0.101 0.202
1L1 ДО ЛЖН О СТЬ-10/14-секрегарь 0.359 0.233 0.597 0.149 0.179
11 ДОЛЖНОСТЬ-! 1/1 4-секрегарь референт 0.475 0.475 0.119 0.237
12 ДО ЛЖН 0 CT ЬТ 2/14-техник 0.457 0. 099 0.557 0.139 0.217
13' Д0ЛЖН0СТЬ-13Л4-экономиог 0.233 0.211 0.449 0.112 0.130
14 ДО ЛЖН 0 СТЬ-14/14-юрист 0.443 0.44s 0.112 0.224
15 ОБРАЗОВАНИЕ-¡/З-еыошее -0.444 0.145 0.257 -0.042 -0.011 0.303
16 0 Б РАЗО ВАН ИЕ -2/3-среднее 0.293 0.032 -0.513 -0.13е -0.035 0.342
17 ОБРАЗОВАНИЕ-З/З-среднее спец. -0.20s 0:359 0.099 0.250 0.063 0.236
13 по.пт/£-ж -q.007 0.122 0.001 -0.102 0.014 0.004 0.092
i
Помощь MS Excel
Таблица 4 - Матрица знаний (модель INF3) (фрагмент)
«ВИ ¡Г
5.5, Модель: "6. ШРЗ - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами"
Кад признака Наименование описательной шкалы и градации 1. ДОХОД 1/4 (43200.00... 47зтшо... .2. ДОХОД 2/4 №310ÄL. 50400 000... 3. ДОХОД 3/4 .{'50400.00... 53250 000. 4. ДОХОД 4/4 ■{59250,00... 100860.00. Cgr.tt.id Среднее .Средн. квадр. ■яг.кц
1 ДО ЛЖН ОПТ Ы /14-агрсном -0.613 0.650 0.501 -0.539 0. 663
\2. ДО ЛЖН 0 CT Ь-2/l 4-аркигектор -0.307 -0.175 -0.249 0.731 0.4-90
3 ДОЛЖНОСТЬ-3/14-букгалтер -1.в40 1,951 -1.496 1.334 1.945
4 ДО ЛЖН 0 CT Ь-4/14-всиитель 1.030 0.476 -0.743 -0.80в 0.932
5 Д0ЛЖН0СТЬ-5/14-главный бухгалтер -0.307 -0.175 0.7-51 -0.269 0.504
6 ДО ЛЖН 0 СТЬ-6/14-дендролог -0.307 -0.175 -0.249 0.731 0.4-90
7 ДОЛЖНОСТЬ-7/14-инженер -1.s40 -1.049 2.504 0.3в4 1.906
3 ДО ЛЖН 0 CT Ь-8/14-лаборант 2.774 -0.699 -0.997 -1.077 1.856
3 Д0ЛЖН0ЙТЬ-Э/14-рабочий 5.547 -1.393 -1.994 -2.155 3.712
10 ДО ЛЖН 0 СТЬ-10/14-секретарь -0.613 0.650 0.501 -0.539 0. 66в
11 ДОЛЖНОСТЬ-! 1 /14-секрегарь референт -0.307 -0.175 0.751 -0.269 0.504
12 ДО ЛЖН 0 СТЬ-12/14-техник -0.920 1.476 0.252 -0.803 1.117
13' ДО ЛЖН ОСТ Ь-13/14-э кономисг -1.226 -0.699 1.003 0.923 1.133
14 Д0ЛЖН0СТЬ-14/14-юрист -0.920 -0.524 -0.743 2.192 1.47d
15 0 Б РАЗО ВАН ИЕ -1 /3-высшее -6.433 -2,670 2.765 6. 344 5.671
16 0 Б РАЗО ВАН ИЕ-2/3-среднее 7,431 0.354 -3.487 -4.843 5.549
17 ОБРАЗОВАНИЕ-З/З-среднее спец. -0.в40 1.951 0.504 -1.616 1.563
18 no.nr/i-ж -0.132 1.504 0.014 -1.337 1.1е4
i
Помощь
1.5. Результаты верификации моделей
Результаты верификации (оценки достоверности) моделей, отличающихся частными критериями с двумя приведенными выше интегральными критериями приведены на рисунке 9.
Рисунок 9. Оценки достоверности моделей
Наиболее достоверной в данном приложении оказались модели Г№Р4, Г№Р5 при интегральном критерии «Семантический резонанс знаний». При этом точность модели составляет 0,755 а полнота модели 0,822, что является неплохими показателями. Таким образом, уровень достоверности прогнозирования с применением модели выше, чем экспертных оценок, достоверность которых считается равной примерно 70%. Для оценки
достоверности моделей в АСК-анализе и системе «Эйдос» используется Б-критерий Ван Ризбергена, а также его нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко [16] (рисунок 10).
Помощь по режимам: 4,1.3.6,4,1.3.7, 4,1.3,8, 4.1,3,10: Виды прогнозов и меры достоверности
1 системе "Эйдос-К*-"
Помощь г
: 4.1. 3.6,
.1.3.7, 4.1.3.1
4.1.3.10: Виды прогнс
меры достовернс
I моделей в <
! "эйдос-х++".
16, а что-то из этого естественно выпало, конечно, | не выпадет, но ясно, что выпадет что-то одно, а не что произошло, т.е. в этом случае у модели будет
положительный псевдопрогнов.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала,
что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не ------------- " ------ ~ —
100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
на практике мы чаще всего сталкиваемся именно с этим видом прогноза, реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью, теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
Таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, этот критерий предложен и реализован в системе "Эйдос" проф. Е.В.Луценко в 1994 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0, 1}: ы = ( тр + тм - рр - ры ) / С тр + ти + рр + рм ) (нормировка: {-1,+1})
1.2 = ( 1 + ( тр + тм - рр - ры ) / ( тр + тм + рр + рм ) ) / 2 (нормировка: { 0, 1})
где: ТР - истино-положительное решение; ТЫ - истино-отрицательное решение; РР - ложно-положительное решение; РИ - ложно-отрицательное решение;
F-мера достоверн«
I моделей Ван Ризберп
precision = tp/(tp+fp) - точность модели; Recall = tp/(TP+fn) - полнота модели; F-mera = 2t,(precisionsRecan)/(precisiom-Recan).
В АСК-анализе и системе "Эйдос" предлагается L-мера, представляющая собой
sprecision = stp/(stp+sfp) - нечеткая мультиклассовая точность модели; SRecall = 5TP/(stp+sfn) - нечеткая мультиклассовая полнота модели;
L-mera = 2*(sprecision*5Reca"n)/(sprecisiorH-5Reca"n) - нечеткая мультиклассовая достоверность модели, где:
stp - сумма модулей сходства истино-положительных решений; stn -5FP - Сумма модулей сходства ложно-положительных решений; sfn -
I F-меры достоверности моделей Ван Ризберп
Рисунок 10. Виды прогнозов и принцип определения достоверности моделей по авторскому варианту метрики, сходной с Б-критерием
Также обращает на себя внимание, что статистические модели, как правило, дают значительно более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, и практически никогда - более высокую. Этим и оправдано применение моделей знаний и интеллектуальных технологий. На рисунке 11 приведены частные распределения уровней сходства и различия для верно и ошибочно идентифицированных и неидентифицированных ситуаций в наиболее достоверной модели Г№Р5.
Из рисунка 11 видно, что;
- наиболее достоверная модель Г№Р5 лучше определяет непринадлежность объекта к классу, чем принадлежность (что видно также из рисунка 9);
- модуль уровня сходства-различия в наиболее достоверной модели Г№Р5 для верно идентифицированных и верно неидентифицированных
объектов значительно выше, чем для ошибочно идентифицированных и ошибочно неидентифицированных. Это верно практически для всего диапазона уровней сходства-различия, кроме небольших по модулю значений в диапазоне от 0 до 15% уровня сходства. Для больших же значений уровней сходства-различия (более 20%) также различие между верно и ошибочно идентифицированными и неидентифицированными ситуациями очень велико.
4L3.1L Част.распр.ур.сх.в модели: 8. ШБ5-частн,»срит,: Л01 (Ке1игп Ол ¡пуеэйггеп^; вероятности из РЙС2
■100 -90 -80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 60 70 80 90 100
- Част.распр.ур.сх.ОШИБОЧНи идент.и неиденгиф.объектов - Чаот.распр.ур.сх.БЕРН0 идент.и неидентиф.объектов
------------ Среднее модулей ур.сх.ОШИБ. идент.и неидент.объектов=12.661 ------------ Среднее модулей ур.сх.ВЕРНО идент.и неидент.обьектов=45.345
Рисунок 11. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта
моделирования в модели Г№Р5
Это означает, что если учитывать не просто сами факты верно и ошибочно идентифицированных и неидентифицированных объектов, но и учитывать уровень сходства-различия, то можно свести на нет ошибочные идентификации и неидентификации и оценить достоверность модели значительно точнее, чем с помощью Б-критерия Ван Ризбергена. Эта идея
и положена в основу нечеткого мультиклассового обобщения помощью Б-критерия Ван Ризбергена, предложенного проф.Е.В.Луценко (Ь-мера) [16].
Для наиболее достоверной модели Г№Р5 Ь-мера равна 0,930 при точности модели 0,926, полноте модели; 0,933 (см. рисунок 9б), что является очень хорошими показателями.
Любые данные о наблюдениях можно считать суммой истинного значения и шума, причем ни первое, ни второе неизвестны. Поэтому имеет смысл сравнить созданные модели с чисто случайными моделями, совпадающими по основным характеристикам. В системе «Эйдос» есть лабораторная работа № 2.01; «Исследование ЯМО-модели при различных объемах выборки». Если данная работа устанавливается при отсутствии текущего приложения, то все параметры создаваемых моделей задаются вручную, если же текущая модель существует, как в нашем случае, то все основные ее параметры определяются автоматически (рисунок 12);
ф 1.3. Задание параметров ЕУ^О-модели
Задание параметров В МО-модели:
-Определить автоматически на основе текущего приложений С Задать произвольные параметры ИМО-модели вручную Автоматическое определение параметров ВЧО-модели на основе текущего приложения Наименование текущего приложения: Исследование зависимости оплаты труда от характеристик работника
1 <- Количество классификационных шкал в РНО_модели
4 <- Количество классов (градаций классификационных шкал) в ВИО-модели
8 <- Количество описательных шкал в П№0_модели
ЗЭ <- Количество признаков (градаций описательных шкал] в И N0-модели
45 <- Количество объектов обучающей выборки в 0 -модели
4 <-Оценка среднего количества классов, к которым относится объект обучающей выборки
12 <- Оценка среднего количества признаков у объекта обучающей выборки
4 <- Среднее количество градаций в классификационной шкале (округлено до целых)
5 <- Среднее количество градаций в описательной шкале (округлено до целых)
—Что такое РЫО-модель?—
НМ 0-модель - это модель, в которой принадлежность объектов обучающей выборки к классам является случайной, как и признаки объектов. Для генерации случайных кодов классов и признаков используется числовой генератор равномерно распределенных случайных чисел. При автоматическом определении параметров РЫО-модели на основе текущей модели количество классов, признаков и объектов обучающей выборки в 1-1Ы0-модели будет таким же, как в текущей модели. Среднее количество классов, к которым относится объект обучающей выборки и среднее количество признаков у него также будет совпадать с этими характеристиками объектов обуч. выборки текущей модели.
Зачем создается и исследуется В МО-модель?-
Информацию об объектах обучающей выборки текущей модели можно считать суммой полезной информации о них (полезный сигнал] и шума. В ИМ0-модели вся информация представляет собой шум. Поэтому сравнение этих моделей, не отличающихся перечисленными параметрами, позволяет оценить влияние значимой информации и шума на результаты, в частности убедиться в наличии самой этой значимой информации, т.е. закономерностей в предметной области, а также оценить эффективность различных стат.моделей и моделей знаний и интегральных критериев для выявления и исследования этой значимой информации, знаний и закономерностей. При увеличении объема обучающей выборки в Помелели вероятность верной идентификации стремится к вероятности случайного угадывания, а в реальной модели к некоторому пределу, превосходящему вероятность случайного угадывания и характеризующему эффективность модели и целесообразность ее применения.
0к_| Сапсе!
Рисунок 12. Экранная форма управления созданием случайных моделей, совпадающих с текущей по размерностям основных баз данных
На рисунке 13 показано частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели INF5.
4.1.3,11. Част.распр.ур.сх.в модели: 8, INFS-sacmKpuT,: ROI (Retum On Investment); вероятности из PRC2 -г-
4 !
1 1
111 | ; 1 1 ^ i!
100 ;эо -И ,,7о щ ,50 щ -Эо.- т Щ о ю а: И 40 50 щ во' 190:
--Чаег.распр.ургех.ОЦШБОЧНС! идент.и нек^ентиФ.оегьек.тпБ--Чгст.распр.щэ.ск:ВЕРУ0 иаент.н неццентиФ.оегьектоБ
............ Среднее'модулёй^р,£^Щ1И&. цаенг и нещент.о(/ьектов=17..175 ..........Среднее кодулей ур.с^ЁЕР^фицент.и нецаенг.объектоБ=34.955
| Едй
Рисунок 13. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели ШБ5
Совершенно очевидное различие частотных распределений уровней сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта моделирования и случайной модели (рисунки 11 и 13) объясняется тем, что в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны. Если же такой информации в модели нет, то и распределение получается типа, приведенного на рисунке 13.
На рисунке 14 приведены данные по достоверности статистических и когнитивных моделей, созданных на основе случайной выборки.
Рисунок 14. Достоверность статистических и когнитивных моделей, созданных на основе случайной выборки
На основе сравнения рисунков 14 и 9 можно сделать следующие выводы:
- достоверность лучшей модели INF5 по F-критерию, отражающей реальный объект моделирования, примерно на 41% выше, чем аналогичной случайной модели (0,787/0,558=1,41);
- различие между достоверностью статистических моделей и моделей знаний, созданных на основе случайной выборки, значительно меньше, чем у моделей, отражающих реальный объект моделирования;
- в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны, причем примерно 1/3 достоверности обусловлена отражением в реальных моделях закономерностей предметной области, а 2/3 достоверности обусловлено наличием шума в исходных данных. На основании этого можно предположить, что в исходных данных уровень сигнала о реальных причинно-следственных связях в моделируемой предметной области примерно в два раза ниже уровня шума.
2. РЕШЕНИЕ ЗАДАЧ ИДЕНТИФИКАЦИИ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ
2.1. Решение задачи
В соответствии с технологией АСК-анализа зададим текущей модель ЮТ5 (режим 5.6) (рисунок 15) и проведем пакетное распознавание в режиме 4.2.1. (рисунок 16)
5.6, Бь¡брать модель
i i a
Задайте текущую стат.модепь или модель знаний Статистические базы'
Г" 1 ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки С 2. PRC1 - частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса Г" 3. PRC2 - частный кр;тгерий: условная вероятность i-го признака у объектов j-го класса Базы знаний:
Г 4. INFI - частный критерий: количество знании по А.Харкевичу; вероятности из PRC1 С 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из РРС2 Г" Б. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами С 7 INF4 - частный критерий: RGi (Return Ün Investment); вероятности из PRC1
Л jiü. ¡NF5 - частный к^игейий; F?Dj (Reiij.n Gn irivestrnent]; вероятности из PRC2 С Э. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 10.INF7 - частный кригерий: разн усл.и безусл. вероятностей; вероят ности из PRC2
-Как
задавать параметры синтеза моде пей
В качестве текушей можно задать любую из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей з режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых в системе "Зйдос-Х++:' раскрыт в публикациям, размещенных по адресам: http://lc.kubagrcj.rLi/aidcs/jndeH.htnn, http: //www. t™px.com/Mle/793311/
Пк
Cancel
ф 5.6, Выбрать недель и сделать ее текущей
i g I—8S-I
Стадии исполнения процесса
ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕПИ "INF5" СТАТУСАТЕКУЩЕИ МОДЕЛИ
1/7: Копирование в массивы итоговых строк и столбцов текущей модели - Готово
2/7: Перенос информации из текущей модели в базы классов: Classes' и Gr_CISc- Готово
3/7: Перенос информации из текущей мо.сели в базы признаков: Attributes и GrJDpSc- Готово
4/7: Расчет значимости класс.и опис.шкал-Сброс сумматоров - Готово
5/7: Расчет значимости класс.и опис.шка.п-Накопление данных-Готово
6/7: Расчет значимости класс.и опис.шкал-Дорасчет - Готово
7/7: Запись информации о текущей модели - Готово
tíwSdji мипеян знаний "INF5" в качестве текущей прошел успешно!!!
Прогноз времени исполнена
Начало: 12:50:43
Окончание: 12:50:44
100Ä.
□к
Прошло: 0:00:01
Осталось: IV00:00
Рисунок 15. Экранные формы режима задания модели в качестве текущей Ь«р;//ед .kubagro.ru/2016/10/рёШ2.рёГ
4.L2. Пакетное распознавание. Текущая модель: 1NF5" jesa ЁНЬЁЭ! Г
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "№5": 1/11: Распознавание (идентификация) 45-го объекта обучающей выборки из 45 - Готово 2/11: Исследование распределений уровней сходства верно и ошиб.идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Готово <1/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-корреляция - Готово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-сумма инф. - Готово 6/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-сумма инф. - Готово 8/11: Создание подробной наглядной формы: "Класообъекты". Инт:крит.-корреляция - Готово 9/11: Создание подробной наглядной формы: "Класообъекты". Инт.крит.-сумма инф. - Готово 10/11: Создание итоговой наглядной формы: "Класообъекты". Инт.крит.-корреляция - Готово 11 /11: Создание итоговой наглядной формы: "Класообъекты".. Инт.крит.-сумма инф. - Готово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !
Начало: 12:52:54 Окончание: 12:52:57
102%, 0к
Прошло: 0:00:02 Осталось: 0:00:00
Рисунок 16. Экранная форма режима пакетного распознавания
в текущей модели INF5
В результате пакетного распознавания в текущей модели создается ряд баз данных, которые визуализируются в выходных экранных формах, отражающих результаты решения задачи идентификации и прогнозирования.
Режим 4.1.3 системы «Эйдос» обеспечивает отображение результатов идентификации и прогнозирования в различных формах:
1. Подробно наглядно: "Объект - классы".
2. Подробно наглядно: "Класс - объекты".
3. Итоги наглядно: "Объект - классы".
4. Итоги наглядно: "Класс - объекты".
5. Подробно сжато: "Объект - классы".
6. Обобщенная форма по достоверности моделей при разных интегральных критериях.
7. Обобщенный статистический анализ результатов идентификации по моделям и интегральным критериям.
8. Статистический анализ результатов идентификации по классам, моделям и интегральным критериям.
9. Распознавание уровня сходства при разных моделях и интегральных критериях.
10.Достоверность идентификации классов при разных моделях и интегральных критериях.
Ниже кратко рассмотрим некоторые из них.
На рисунках 17 и 18 приведены примеры прогнозов в наиболее достоверной модели INF5:
| t) 4.1.3.1. Визуализация результатов распознавания в отношении: Объект-классы'. Текущая модель: "JNF5" 1 = |й| « ¡1
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"
IMS ИЬ 1 \Ш__ | Сходство !'-
1 J ■ Д0Х0 Д-2Д-{47310.0000000.50400.0000000} 48.18... у | а ¡а IIIIIIIII
2 к 1 ДОХО Д-1 /4-{43200.0000000,47310.0000000} 4.368... ни
3 3 3 Д 0X0 Д-3/4-{50400.0000000.59250.0000000} •36.84..: ШНЁЖШ
4 4 4 ДОХОД-4/4-{59250.0000000.100860.0000000} -58.52... | IIIIIIHII1II1II1HII1II lilllilllllllllllilllillll
5 5
G 6
7 7 —
8 8
Э Э -
10 10 <i 1 •
11 11 Интегральный критерий сходства: "Сумма знаний
12 12 ! R« Наименование класса Сходство Ся^д'Ствй z
13 13 ■ й ДОХОД-2/4-{47310.0000000.50400.0000000} 68.15... у Iii,'Ii |,Vii 1. Vii 1. Vii 1."
14 14 1 ДОХО Д-1 /4443200.0000000,47310.0000000} 20,67... ■III 1
15 15 ::.. 3 Д DX0 Д-3/ 4-{50400.0000000,59250.0000000} 3.188..: III
16 1G 4 ДОХО Д-4/4-{59250.0000000.100960.0000000} ■12.76... ■III
17 17
18 13
19 19
20 20
21 21 т jd
1 М н >
1 Помощь | 9 классов | Классы с MaxMin УрСх | 9 класы в с MaxMin УрСх | ВСЕ классы | ВКЛ. фильтр по класс.шкале ! | ВЫКЛ.фильтр п 5 | Граф.диаграмма | |
1- - — - _
Рисунок 17. Пример идентификации классов в модели INF5
Рисунок 18. Пример идентификации классов в модели INF5
2.2. Когнитивные функции
Рассмотрим режим 4.5, в котором реализована возможность визуализации когнитивных функций для любых моделей и любых сочетаний классификационных и описательных шкал (рисунок 19)
г—--=
Ф 4,5. Визуализация ко-нитив^ык бункци
Что такое когнитивная Функция:
Визуализация прямым, обратным, позитивных, негативных, полностью и частично редуцированных котк-гибных Функций Когнитивная Функция приставляет собой графическое отображение силы и направления влияния различных значений некоторого Фактора на переходы объекте управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнигивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации." средневзвешенные, отражающие совокупное влияние всех значений Факторов на повеление объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного ш гтервала. Если отобразить подматрицу матрицы знания отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классиФикационной шкалы то получим нередуцировамную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить. 1гто на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.. Луценко Е.В. Метод визуализации когнитивных Функций - новый инструмет исследования эмпирических данных большой размерности / Е В. Луценко, А П Трунев. Д.(С Бандык II Полггтематический селевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс). - Краснодар: КубГАУ. 2011. -№03(67) С. 240 - 282. - Шифр Информрегистра: 0421100012\0077. , 2,068 у.п.л. - Режим доступа: ИКрУ/еь kubaqro.ru/2011 /ОЗ/рсАЛ 8.рсЦ
Рисунок 19. Экранная форма режима 4.5 системы «Эйдос-Х++» «Визуализация когнитивных функций»
Применительно к задаче, рассматриваемой в данной работе, когнитивная функция показывает, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния. Когнитивным функциям посвящено много работ автора 9 , но наиболее новой и обобщающей из них является работа. Поэтому здесь не будем
останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе. На рисунке 20 приведены визуализации всех когнитивных функций данного приложения для модели Г№Р5.
КОГНИТИВНАЯ ФУНКЦИЯ:
Приложение; Приложение, созданное путем ввода даных из БД Inp_data. Это название можно Скорректировать Модель: Inf5 ■ частный критерий: ROI (Return On Investment); вероятности из PRC2
КОГНИТИВНАЯ ФУНКЦИЯ:
Приложение; Приложение, созданное путем ввода даных из БД Inp_data. Это название можно Скорректировать Модель: Inf5 ■ частный критерий: ROI (Return On Investment); вероятности из PRC2
Рисунок 20. Визуализация когнитивных функций для обобщенных классов и всех описательных шкал в модели ШБ5
2.3. SWOT и PEST матрицы и диаграммы
SWOT-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT- анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT- анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». Данная система всегда обеспечивала возможность проведения количественного автоматизированного SWOT-анализа без использования экспертных оценок непосредственно на основе эмпирических данных. Результаты SWOT-анализа выводились в форме информационных портретов. В версии системы под MS Windows: «Эйдос-Х++» предложено автоматизированное количественное решение прямой и обратной задач SWOT-анализа с построением традиционных SWOT-матриц и диаграмм (рисунок 21).
4.4.8. Количественный автоматизированный SWOT-анализ классов средствами АСК-анал1*за в системе "Эйдост
Выбор класса, соответствующего будущему состоянию объекта управления п
;! код I Наименованйеклаеса -
2 Д0Х0Д-1 /4-{43200.0000000, 47310.0000000} т.
Д0Х0Д-2/4-{47310.0000000, 50400.0000000}
3 Д0Х0Д-3/4-{50400.0000000, 59250.0000000}
4 ДОХО Д-4/4-{59250.0000000,100360.0000000}
<\ 1 И г
Э\УОТ-анализ класса: 1 МДОХОД-1М-{43200.0000000. 47310.0000000}" в модели: 8 "ШРб" Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния
I Код I Наименование Фактора и его интервального значения Сила влияния Наименование Фактора й его интервального значения СйДа влияния
ДОЛЖНОСТЬ-8Л4-лаборант 2.214 ГО Д РОЖД. -1 /4-{1347.0000000,1964.0000000} -0.703
3 ДО ЛЖН 0 СТ Ь-9/14-рабочий 2.214 21 ГО Д РОЖД. -2/4-{1364.0000000,1978.0000000} -0.464
16 ОБРАЗОВАН И E-2/З-среднее 1. 321 17 ОБРАЗОВАНИЕ-З/З-среднее спец. -0.464
4 ДО ЛЖН 0 СТ Ь-4/14-водитель 1.143 35 СТАЖ-4/4-{13.0000000,27.0000000} -0.416 -г
22 ГО Д РОЖД.-3/4-{1978.0000000,1983.0000000} 0.753 24 ГОД ПРИЕМА НА РАБОТУ-1/4-{1387.0000000,1994.00000.. -0.416
2G ГОД ПРИЕМА НА РАБ□ ТЫ-ЗУ4-{2000.0000000,2006.000... 0.607 30 КО Л -ВО ДЕ Т ЕЙ-3/4-{1.0000000, 3.0000000} -0.397
31 КОЛ-ВО ДЕТЕЙ-4/4-{3.0000000,4.0000000} 0.607 34 СТАЖ-3/4-113.0000000,13.0000000} -0.123
33 ОТ АЖ-2/4-{7.0000000,13.0000000} 0.607 32 СТАЖ-1 /4-{1.0000000,7.0000000} -0.123
23 ГО Д РОЖД.-4/4-{1983.0000000,1998.0000000} 0.461 27 ГОД ПРИЕМА НА РАБОТУ-4/4-{2006.0000000,2013.00000.. -0.123
33 № 0 Т ДЕ ЛА-4/4-{4.0000000,5.0000000} 0.429 25 ГОД ПРИЕМА НА РАБОТУ-2/4-{1334.0000000,2000.00000... -0.123
37 № □ Т ДЕ ЛА-2/4-{2.0000000,4.0000000} 0.339 18 ПОЛ-1/2-ж -0.036
13 ПОЛ-2/2-м 0.029
«I I ► Г ; «•1 1 и
В КЛ Ю Ч И Т Ь фильтр по Фактору В Ы КЛ Ю Ч И Т Ь Фильтр по Фактору 8 КЛ Ю Ч И Т Ь фильтр по Фактору В Ы КЛ Ю Ч И Т Ь Фильтр по Фактору
Помощь Abs | Ргс1 | Prc2 | Infl | Inf2 | Inf3 | Inf4 Inf5 | Inl6 Inf7 Нейрон ЭЧл/ОТ-диаграмма Интегральная когнитивная карта
I
SWOT-ДИАГРАММА КЛ/ Приложение: СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ¡\ССА: "[1 "Исследов Кла ДОХОД-1 /4-{43200.0000000, 47 ание зависимости оплаты работнике Шкала: [1] ДОХОД сс: [1] 1/4-{43200.0000000, 47310.0000С 310.00000 зв от их хар )00> 00}" В МОДЕЛИ: "1^5" актеристики" ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
[1] ДОЛЖНОСТЬ [8] 8/14-паборакт 1=2.214 1=0.700 [4] ГОД РОЖД [20] 1 /4-{19470000000. 1964.0000000}
[1] должность [9] 9/14-рабочий 1=2.214 1=0.464 [4] ГОД РОЖД. [21] 2/4-{1964 0000000.1978 0000000}
[2] ОБРАЗОВАНИЕ [16] 2/3-среднее 1=1.321 1=0.464 [2] ОБРАЗОВАНИЕ [17] 3/3-среднее спец.
[1] должность [4] 4/14-водитель 1=1.143 1=0.416 [7] СТАЖ [35] 4/4-{19.0000000, 27.0000000}
[4] ГОД РОЖД [22] 3/4-{1978.0000000,1983.0000000} 1=0.753 1=0.416 [5] ГОД ПРИЕМА НА РАБОТУ [24] 1/4-{1987 0000000, 1994.0000000}
[5] ГОД ПРИЕМА НА РАБОТУ [26] 3/4-{2000.0000000,2006.0000000} 1=0.607 1=0.397 [6] КОЛ-ВО ДЕТЕЙ [30] 3/4-{1.0000000. 3 0000000}
[6] КОЛ-ВО ДЕТЕЙ [31] 4/4-{3.0000000,4.0000000} 1=0.607 1=0.123 [7] СТАЖ [34] 3/4-{13.0000000, 19 0000000}
>ильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-39 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-39
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 10.12.2016-17:22:46 ■ Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 21. Пример SWOT-матрицы в модели INF5
На рисунке 22 приведены примеры инвертированной SWOT-матрицы и инвертированной SWOT-диаграммы в модели INF5.
Рисунок 22. Пример SWOT-матрицы в модели ЮТ5
2.4. Кластерно-конструктивный анализ признаков
На рисунке 23 приведены результаты кластерно-конструктивного анализа признаков:
Рисунок 23. Результаты кластерно-конструктивного анализа признаков
ЗАКЛЮЧЕНИЕ
Так как существует множество систем искусственного интеллекта, то возникает необходимость сопоставимой оценки качества их математических моделей. Одним из вариантов решения этой задачи является тестирование различных системы на общей базе исходных данных, для чего очень удобно использовать общедоступную базу репозитория иС1. В данной работе приводится развернутый пример использования базы данных репозитория иС1 для оценки качества математических моделей, применяемых в АСК-анализе и его программном инструментарии системе искусственного интеллекта «Эйдос». При этом наиболее достоверной в данном приложении оказались модели ШЕ4, основанная на семантической мере целесообразности информации А.Харкевича при интегральном критерии «Сумма знаний». Точность модели составляет 0,960, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется Б-критерий Ван Ризбергена и его нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко. Также обращает на себя внимание, что статистические модели в данном приложении дают примерно на 21% более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, что, как правило, наблюдается и в других приложениях. Этим и оправдано применение моделей знаний.
На основе базы данных иС1, рассмотренной в данной работе, построить модели прогнозирования не с помощью АСК-анализа и реализующей его системы «Эйдос», а с применением других математических методов и реализующих их программных систем, то можно сопоставимо сравнить их качество.
Литература
1. Луценко Е.В. Методика использования репозитория UCI для оценки качества математических моделей систем искусственного интеллекта / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(002). С. 120 - 145. - IDA [article ID]: 0020302012. - Режим доступа: http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,625 у.п.л.
2. Луценко Е.В. АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков / Е.В. Луценко, Ю.Н. Пенкина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: Куб- ГАУ, 2014. - №06(100). С. 1346 - 1395. - IDA [article ID]: 1001406090. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/90.pdf, 3,125 у.п.л.
3. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрно- го университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: Куб- ГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.
4. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
5. [Электронный ресурс]. Статья "baza dannix sotrudnikov": http://allexcel.ru/gotovye-tablitsy-excel-besplatno, свободный. - Загл. с экрана. Яз. анг.
6. Сайт профессора Е.В.Луценко [Электронный ресурс]. Режим доступа: http://lc.kubagro.ru/, свободный. - Загл. с экрана. Яз. рус.
7. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. -№10(054). С. 48 - 77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.
8. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у. п. л.
9. Луценко Е.В. Прогнозирование количества и классов солнечных вспышек на основе их предыстории по данным репозитория UCI с применением АСК-анализа и интеллектуальной системы «Эйдос» / Е.В. Луценко, А.Ю. Боровко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №10(104). С. 1309 - 1370. - IDA [article ID]: 1041410099. - Режим доступа: http://ej.kubagro.ru/2014/10/pdf/99.pdf, 3,875 у.п.л.
10. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№07(091). С. 1б4 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,5б2 у.п.л.
11. Луценко Е.В. Нечеткое мультиклассовое обобщение классической F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Луценко Е.В. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 201б. - №09(123). - Режим доступа: http://ej.kubagro.ru/201б/09/pdf/01.pdf, 1,813 у.п.л. - IDA [article ID]: 1231б09001. http://dx.doi.org/10.21515/1990-4665-123-001
12. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 13б7 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,б88 у.п.л.
References
1. Lucenko E.V. Metodika ispol'zovanija repozitorija UCI dlja ocenki kachestva matematicheskih modelej sistem iskusstvennogo intellekta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №02(002). S. 120 - 145. - IDA [article ID]: 0020302012. - Rezhim dostupa: http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,б25 u.p.l.
2. Lucenko E.V. ASK-analiz, modelirovanie i identifikacija zhivyh sushhestv na osnove ih fenotipicheskih priznakov / E.V. Lucenko, Ju.N. Penkina // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: Kub- GAU, 2014. -№0б(100). S. 134б - 1395. - IDA [article ID]: 100140б090. - Rezhim dostupa: http://ej.kubagro.ru/2014/0б/pdf/90.pdf, 3,125 u.p.l.
3. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomati-zirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarno- go universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: Kub- GAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.
4. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - б05 s.
5. [Jelektronnyj resurs]. Stat'ja "baza dannix sotrudnikov": http://allexcel.ru/gotovye-tablitsy-excel-besplatno, svobodnyj. - Zagl. s jekrana. Jaz. ang.
6. Sajt professora E.V.Lucenko [Jelektronnyj resurs]. Rezhim dostupa: http://lc.kubagro.ru/, svobodnyj. - Zagl. s jekrana. Jaz. rus.
7. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh universal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nastojashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.
8. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos- H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.
9. Lucenko E.V. Prognozirovanie kolichestva i klassov solnechnyh vspyshek na osnove ih predystorii po dannym repozitorija UCI s primeneniem ASK-analiza i intellektual'noj sistemy «Jejdos» / E.V. Lucenko, A.Ju. Borovko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. -№10(104). S. 1309 - 1370. - IDA [article ID]: 1041410099. - Rezhim dostupa: http://ej.kubagro.ru/2014/10/pdf/99.pdf, 3,875 u.p.l.
10. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.
11. Lucenko E.V. Nechetkoe mul'tiklassovoe obobshhenie klassicheskoj F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / Lucenko E.V. // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №09(123). - Rezhim dostupa: http://ej.kubagro.ru/2016/09/pdf/01.pdf, 1,813 u.p.l. - IDA [article ID]: 1231609001. http://dx.doi.org/10.21515/1990-4665-123-001
12. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
