人工智能基础不确定性推理

3.1k words
<p >阶级斗争,一些阶级胜利了,一些阶级消灭了。这就是历史,这就是几千年的文明史。拿这个观点解释历史的就叫做历史的唯物主义,站在这个观点的反面的是历史的唯心主义。</p>
<br/>
<p>《丢掉幻想,准备斗争》(一九四九年八月十四日),《毛泽东选集》第四卷第一四九一页</p>

不确定性推理

概率方法

全概率公式:

P(B)=i=1nP(Ai×p(B|Ai))

贝叶斯公式:

设有事件A1,A2,...,An - 任意两个事件互不相容,即当ij时。AiAj=ϕ - P(Ai)>0(i=1,2,...,i) - 样本空间为D且D=i=1nAi

对任意事件B成立,则后验概率(事件B在事件Ai 发生的条件下)为:

P(Ai|B)=Ai×P(B|Ai)P(B)i=1,2,...,n

如果将全概率公式带入贝叶斯公式 P(Ai|B)=Ai×P(B|Ai)j=1nP(Aj)×P(B|Aj)i=1,2,...,n

经典概率方法

假设有如下产生规则

IFEThenHi(i=1,2,...,n) 其中E为前提条件,Hi为结论,具有随即性。那么条件概率P(Hi|E)就表示E发生时Hi的概率,可以用作证据E出现的条件下结论Hi 的不确定性程度。

对于复合条件:

E=E1E2E3...En

E也可用作条件概率P的证据结论H的不确定性。 - 这是一种很简单的方法,只能确定简单不确定性。而且它只考虑证据这两种极端情况,因而其使用受限。

贝叶斯方法:

单个证据的情况

对于生产式规则:

IFEThenHi

用条件概率P(Hi|E)作为证据E出现时Hi的确定性程度根据贝叶斯公式得

P(Hi|E)=P(Hi)×P(E|Hi)j=1n×P(E|Hj)i=1,2,...,n

多个证据的情况

多个证据E1,E2,...,Em和多个结论H1,H2,...,Hn并且每个证据都一等程度支持结论的情况 P(Hi|E1,E2,...,Em)=P(Hi)t=1mP(Et|Hi)j=1nH(j)t=1mP(Es|Hj)


例题1:假设H1,H2,H3分别是三个结论,E是支持这些结论的正与,已知:

例题2:已知:


主观贝叶斯

规则不确定性

在主观贝叶斯方法中,规则的不确定性知识可以表示为:

IFETHEN(LS,LN)H

其中(LS,LN)用来表示只是的强度。LS(充分性度量)和LN(必要性度量)

LN=P(¬E|H)P(¬E|¬H)=1P(E|H)1P(E|¬H)
LS=P(E|H)P(E|¬H)

这两个参数一般由专家凭经验给出…

引入一下几率函数:

O(X)=P(X)1P(X)=P(X)P(¬X)

修改的贝叶斯公式: O(H|E)=LS×O(H)

O(H|¬E)=LN×O(H)

从上述公式可以看出,当E为真时,可以通过LS将H的先验概率O(H)更新为其后验概率O(H|E) 当E为假时:可以通过LN将N的先验概率更新为其后验概率。


例:设有规则 IF E THEN (200,0.1) H 已知证据E必然发生且P(H)=0.03,求H的后验概率。


可信度方法

设有如下规则: IFE1ThenH(CF(H,E1))

IFE2ThenH(CF(H,E2))

则H的综合可信度分为一下两步计算:

  • 分别对每条规则求出其CF(H)
  • 用如下公式求E1与E2对H的综合可信度

后来基于MYCIN基础上形成的EMYCIN中对上式做出如下改动:

若CF1(H)和CF2(H)异号则:

CF(H)=CF1(H)+CF2(H)1min{|CF1(H)|,|CF2(H)|}


可信度方法例题:


证据理论

证据理论中四个重要函数

  • 概率分配函数
  • 信任函数
  • 似然函数
  • 类概率函数 ### 概率分配函数

定义:设函数m:2Ω[0,1],且满足:m(ϕ)=0AΩm(A)=1 m(ϕ)=0AΩm(A)=1

则称m是2Ω的分概率配函数,m(A)成为A的基本概率 语义:m(A)标识根据当前的环境对假设集A的信任程度。

信任函数

Bel:2Ω[0,1]

对任意AΩ有: Bel(A)=BAm(B)

Bel(A)标识当前环境下对假设集A的信任程度。

似然函数

似然函数: Pl:2Ω[0,1] 对任意的A有:AΩ有:Pl(A)=1Bel(¬A)

似然函数又称上限函数,不可驳斥函数,反映对A非假的信任程度。

类概率函数

利用信任函数和四反函数可以定义A的类概率函数,并把它作为A的不确定性度量。 f(A)=Bel(A)+|A||Ω|×(Pl(A)Bel(A)) 其中|X|代表集合中元素的个数。 类概率函数也可以用来度量证据A的不确定性。

Comments