ЛР-2:
"Прогнозирование учебных достижений студентов
на основе их имеджевых фотороботов"
Краткая
теория
Задачами данной лабораторной работы являются:
1.
Продемонстрировать студентам возможность выявления причинно-следственных связей
между признаками внешнего вида (описательные шкалы и градации), и их полом,
успеваемостью, тем, откуда они родом, обучением в той или иной группе
(классификационные шкалы и градации).
2.
Сформировать у студентов навыки формализации предметной области, подготовки и
ввода обучающей выборки, синтеза информационной семантической модели и проверки
ее адекватности, анализа модели (информационные портреты, кластерно-конструктивный
анализ, семантические сети и когнитивные диаграммы, графическое отображение
векторов классов и признаков).
Задание
1.
Формализовать задачу:
– создать
классификационные и описательные шкалы;
– собрать
исходную фактографическую информацию и ввести в систему обучающую выборку.
2.
Осуществить синтез и верификацию модели.
3. Оценить
ценность признаков для прогнозирования. Выделить признаки, наиболее
существенные для решения поставленной задачи.
4. Провести
анализ модели, дав ответы на следующие вопросы:
– как
посещаемость занятий по системам искусственного интеллекта влияет на
успеваемость по этой дисциплине?
– как
сказывается пол на посещаемости?
– как
выглядят конструкты "Пол", "Город-деревня", "Учебная
группа", "Успеваемость", "Посещаемость"?
– какие
студенты являются "типичными представителями" для своих учебных
групп, а какие обладают своеобразием и выраженной индивидуальностью;
Результаты
анализа отобразить в графической форме нелокальных нейронов и семантических
сетей признаков. На их основе построить классические когнитивные карты для
хорошо и плохо успевающих студентов.
Пример
решения
Пример решения задания 1: Формализовать задачу:
Пример решения задания 1.1: Формализовать
задачу: создать классификационные и описательные шкалы
Один из
вариантов классификационных шкал и градаций представлен в таблице 12, а
описательных – в таблице 13:
|
Таблица
1 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ |
|
|
|
|
Пример решения задания 1.2: Формализовать
задачу: собрать исходную фактографическую информацию и ввести в систему обучающую
выборку
С точки
зрения методики организации занятия возможны различные варианты сбора и ввода
информации обучающей выборки. Опыт проведения занятий по данной лабораторной
работе показал, что с точки зрения экономии времени и обеспечения качества
и единого вида обучающей выборки наиболее рациональным является вариант, приведенный
ниже.
1. На доске
чертится таблица вида 14. Это делается с таким расчетом, чтобы каждому
присутствующему студенту группы соответствовала строка.
Таблица 3 – ШАБЛОН ДЛЯ ВВОДА
ОБУЧАЮЩЕЙ ВЫБОРКИ
|
Код |
Наименование |
Классы |
Признаки |
|||||||||||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2. Студентам
дается задание с использованием классификационных и описательных шкал (таблицы 12
и 13) описать каждому самого себя и занести эту информацию
в таблицу 14 на доске. При необходимости количество строк и столбцов в этой
таблице можно увеличить.
В результате
на доске появляется таблица вида 15.
Таблица 4 – ПРИМЕР ЗАПОЛНЕННОГО ШАБЛОНА
ДЛЯ ВВОДА ОБУЧАЮЩЕЙ ВЫБОРКИ
|
Код |
Наименование |
Классы |
Признаки |
|||||||||||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
||
|
1 |
Бабенко
ПИ-51 |
1 |
4 |
10 |
12 |
13 |
15 |
1 |
5 |
10 |
18 |
27 |
31 |
|
|
|
|
|
|
2 |
Воробьева
ПИ-51 |
2 |
5 |
10 |
12 |
13 |
16 |
3 |
7 |
12 |
13 |
18 |
20 |
25 |
26 |
27 |
32 |
|
|
3 |
Гура ПИ-51 |
1 |
13 |
17 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
Гловнев ПИ-51 |
1 |
13 |
18 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
Дыбова ПИ-51 |
2 |
13 |
19 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
Жеребятьев
ПИ51 |
1 |
5 |
8 |
12 |
13 |
20 |
2 |
8 |
10 |
18 |
21 |
27 |
30 |
|
|
|
|
|
7 |
Заяц
ПИ-51 |
2 |
4 |
10 |
12 |
13 |
21 |
3 |
6 |
12 |
15 |
18 |
21 |
26 |
27 |
31 |
|
|
|
8 |
Иванова
ПИ-51 |
2 |
3 |
7 |
12 |
13 |
22 |
2 |
5 |
12 |
13 |
14 |
15 |
18 |
21 |
26 |
32 |
|
|
9 |
Котенко ПИ-51 |
2 |
4 |
7 |
12 |
13 |
23 |
1 |
6 |
11 |
13 |
15 |
18 |
21 |
26 |
27 |
32 |
|
|
10 |
Кузина
О. ПИ-51 |
2 |
3 |
8 |
12 |
13 |
24 |
1 |
7 |
11 |
14 |
18 |
22 |
26 |
27 |
32 |
|
|
|
11 |
Кузина
Я. ПИ-51 |
2 |
3 |
8 |
12 |
13 |
25 |
1 |
7 |
14 |
17 |
22 |
32 |
|
|
|
|
|
|
12 |
Лях
ПИ-51 |
1 |
3 |
8 |
12 |
13 |
26 |
1 |
5 |
9 |
13 |
17 |
18 |
20 |
24 |
26 |
27 |
31 |
|
13 |
Мясников
ПИ-51 |
1 |
3 |
9 |
12 |
13 |
27 |
1 |
5 |
10 |
13 |
16 |
18 |
20 |
24 |
27 |
32 |
0 |
|
14 |
Нагапетян
ПИ-51 |
1 |
4 |
9 |
12 |
13 |
28 |
1 |
6 |
11 |
15 |
18 |
21 |
24 |
26 |
27 |
30 |
0 |
|
15 |
Полонская
ПИ-51 |
2 |
13 |
29 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
16 |
Трунина ПИ-51 |
2 |
13 |
30 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
17 |
Черкашина
ПИ-51 |
2 |
4 |
10 |
12 |
13 |
31 |
3 |
6 |
11 |
13 |
18 |
21 |
24 |
26 |
27 |
30 |
|
|
18 |
Чепурченко ПИ51 |
1 |
13 |
32 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
19 |
Чушкин
ПИ-51 |
1 |
13 |
33 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
20 |
Шульгин
ПИ-51 |
1 |
5 |
8 |
12 |
13 |
34 |
1 |
5 |
9 |
17 |
20 |
26 |
30 |
|
|
|
|
|
21 |
Арушунян ПИ-52 |
1 |
14 |
35 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
22 |
Быченок ПИ-52 |
1 |
14 |
36 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
23 |
Веревкина
ПИ-52 |
2 |
3 |
9 |
12 |
14 |
37 |
1 |
8 |
9 |
15 |
18 |
21 |
28 |
33 |
|
|
|
|
24 |
Григорьева
ПИ52 |
2 |
4 |
8 |
12 |
14 |
38 |
2 |
5 |
9 |
13 |
18 |
22 |
28 |
33 |
|
|
|
|
25 |
Давыдич ПИ-52 |
2 |
14 |
39 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
26 |
Дронова
ПИ-52 |
2 |
14 |
40 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
27 |
Еременко
ПИ-52 |
2 |
4 |
8 |
12 |
14 |
41 |
2 |
5 |
12 |
9 |
13 |
15 |
18 |
21 |
26 |
27 |
31 |
|
28 |
Жмурко ПИ-52 |
1 |
14 |
42 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
29 |
Иванова
ПИ-52 |
2 |
3 |
9 |
12 |
14 |
43 |
2 |
4 |
10 |
14 |
15 |
17 |
18 |
20 |
28 |
33 |
|
|
30 |
Костенко
ПИ-52 |
2 |
14 |
44 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
31 |
Крейс ПИ-52 |
2 |
4 |
8 |
12 |
14 |
45 |
1 |
5 |
9 |
15 |
19 |
21 |
28 |
32 |
|
|
|
|
32 |
Куркина
ПИ-52 |
2 |
3 |
8 |
12 |
14 |
46 |
3 |
6 |
11 |
13 |
15 |
18 |
19 |
22 |
26 |
27 |
32 |
|
33 |
Люлик ПИ-52 |
2 |
5 |
8 |
12 |
14 |
47 |
2 |
7 |
12 |
15 |
18 |
22 |
24 |
26 |
32 |
|
|
|
34 |
Максимов
ПИ-52 |
1 |
14 |
48 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
35 |
Мануйлов
ПИ-52 |
1 |
3 |
7 |
12 |
14 |
49 |
1 |
5 |
9 |
14 |
18 |
20 |
24 |
25 |
26 |
27 |
30 |
|
36 |
Нарижний ПИ-52 |
1 |
3 |
7 |
12 |
14 |
50 |
1 |
5 |
9 |
14 |
18 |
20 |
24 |
25 |
26 |
27 |
31 |
|
37 |
Ольховская
ПИ52 |
2 |
14 |
51 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
38 |
Паршакова ПИ-52 |
2 |
6 |
8 |
12 |
14 |
52 |
2 |
6 |
11 |
13 |
19 |
22 |
26 |
32 |
|
|
|
|
39 |
Силенко ПИ-52 |
1 |
3 |
7 |
12 |
14 |
53 |
1 |
6 |
12 |
13 |
18 |
20 |
28 |
32 |
|
|
|
|
40 |
Соколова
ПИ-52 |
2 |
4 |
8 |
12 |
14 |
54 |
1 |
5 |
12 |
17 |
18 |
22 |
24 |
26 |
27 |
32 |
|
|
41 |
Турбин
ПИ-52 |
1 |
14 |
55 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
42 |
Цисарь ПИ-52 |
2 |
5 |
9 |
12 |
14 |
56 |
2 |
7 |
11 |
13 |
18 |
22 |
27 |
33 |
|
|
|
Видно, что
по ряду студентов нет описательной информации, а классификационная –
минимальна. Это связано с тем, что они отсутствовали
на занятиях, когда проводилась данная лабораторная работа и не участвовали в
формализации предметной области и подготовке обучающей выборки. У этих
студентов данная работа не была зачтена. При этом для удобства кодирования
информации о себе студентами с помощью Блокнота открываются файлы:
Object.txt
и Priz_per.txt из поддиректории TXT,
содержащие ту же информацию, что и таблицы 12 и 13.
Для
правильного отображения этих файлов задается шрифт Courier New (при
Windows-98) Terminal
(при Windows-2000 и Windowsxp)
3. Студентам
дается задание переписать эту таблицу себе в тетради и затем ввести в систему
"Эйдос" в подсистеме "F2 Обучение" в режиме
"Ввод-корректировка обучающей выборки".
Пример решения задания 2: Осуществить синтез
и верификацию модели
Верификацию
модели предлагается проверить путем расчета внутренней дифференциальной и
интегральной валидности.
Для этого
студентам необходимо выполнить следующие действия:
1.
Скопировать обучающую выборку в распознаваемую в подсистеме: "F2 Обучение
– ввод корректировка обучающей информации – F5 Об.инф.->Расп.анк. – F2 Перезапись БД распознаваемых анкет – F1 Копировать
всю БД".
2. Выполнить
пакетное распознавание в подсистеме: "F4 Распознавание – Пакетное
распознавание – Критерий сходства [81] корреляция".
3. Измерить
внутреннюю интегральную и дифференциальную валидность информационной модели в
подсистеме: "F6 Анализ".
Пример решения задания 3: Оценить ценность
признаков для прогнозирования. Выделить признаки, наиболее существенные для
решения поставленной задачи.
В
подсистеме: "F3 Оптимизация" выбрать режим: "Исключение признаков
с низкой селективной силой". В результате появится экранная форма, представленная
на рисунке 10:
|
|
|
Рисунок 1. Экранная форма "Селективная сила признаков" |
Количественные
значения селективной силы можно просмотреть, прокручивания экранную форму по
горизонтали.
Более
подробно эта информация представлена в таблице 16:
Таблица 5 – ПРИЗНАКИ (ГРАДАЦИИ ШКАЛ)
В ПОРЯДКЕ УБЫВАНИЯ СЕЛЕКТИВНОЙ СИЛЫ (ИНТ.ИНФ.)
10-10-04 16:15:55 г.Краснодар
=========================================================================================
|N°|Код |Код | Наименование | Наименование |Интегр.|Сумм.инт|Сумм.ин|
| |К.шк|град|
классификационной шкалы | градации
|инф-ть |инф. Бит| в % |
=========================================================================================
| 1| 5 | 19
|ОДЕЖДА:.................. Юбка...................| 0.470|
0.470| 4.147|
| 2| 3 | 10 |ЦВЕТ ГЛАЗ:...............
Голубые................| 0.467| 0.938|
8.271|
| 3| 8 | 30
|ПОСЕЩАЕМОСТЬ:............ Плохая.................| 0.456|
1.393| 12.290|
| 4| 8 | 33
|ПОСЕЩАЕМОСТЬ:............ Очень хорошая..........| 0.438|
1.831| 16.150|
| 5| 2 | 8 |ЦВЕТ ВОЛОС:.............. Очень светлые..........| 0.437|
2.268| 20.002|
| 6| 1 | 3 |ДЛИНА ВОЛОС:............. Длинные................| 0.429|
2.697| 23.788|
| 7| 2 | 7 |ЦВЕТ ВОЛОС:.............. Крашеные...............| 0.421|
3.118| 27.502|
| 8| 1 | 2 |ДЛИНА ВОЛОС:............. Средние................| 0.418|
3.536| 31.192|
| 9| 7 | 28
|ДОСТАТОК:................ Ничего нет.............| 0.413|
3.949| 34.836|
|10| 5 | 17
|ОДЕЖДА:.................. Пиджак.................| 0.408|
4.357| 38.432|
|11| 7 | 25
|ДОСТАТОК:................ Есть автомобиль........| 0.408|
4.765| 42.027|
|12| 4 | 16 |НАЛИЧИЕ
УКРАШЕНИЙ:....... Браслет................|
0.404| 5.169| 45.590|
|13| 8 | 31
|ПОСЕЩАЕМОСТЬ:............ Средняя................| 0.400|
5.569| 49.122|
|14| 6 | 22 |МАКИЯЖ, МАНИКЮР,
ПЕДИКЮР: Заметный...............|
0.399| 5.968| 52.638|
|15| 3 | 11 |ЦВЕТ
ГЛАЗ:............... Карие..................|
0.398| 6.365| 56.147|
|16| 2 | 4 |ЦВЕТ ВОЛОС:.............. Очень темные...........| 0.391|
6.757| 59.599|
|17| 2 | 6 |ЦВЕТ ВОЛОС:.............. Каштановые.............| 0.389|
7.146| 63.032|
|18| 4 | 14 |НАЛИЧИЕ
УКРАШЕНИЙ:....... Перстень...............|
0.381| 7.527| 66.395|
|19| 3 | 12 |ЦВЕТ ГЛАЗ:...............
Зеленые................| 0.367| 7.894| 69.629|
|20| 6 | 20 |МАКИЯЖ, МАНИКЮР,
ПЕДИКЮР: Отсутствует............|
0.361| 8.255| 72.817|
|21| 3 | 9 |ЦВЕТ ГЛАЗ:............... Серые..................| 0.356|
8.611| 75.958|
|22| 6 | 21 |МАКИЯЖ, МАНИКЮР,
ПЕДИКЮР: Незаметный.............|
0.352| 8.963| 79.062|
|23| 4 | 15 |НАЛИЧИЕ
УКРАШЕНИЙ:....... Серьги.................|
0.337| 9.300| 82.035|
|24| 8 | 32
|ПОСЕЩАЕМОСТЬ:............ Хорошая................| 0.324|
9.625| 84.897|
|25| 2 | 5 |ЦВЕТ ВОЛОС:.............. Русые..................| 0.322|
9.947| 87.739|
|26| 7 | 24
|ДОСТАТОК:................ Есть своя квартира.....| 0.318|
10.265| 90.545|
|27| 1 | 1 |ДЛИНА ВОЛОС:............. Короткие...............| 0.293|
10.558| 93.130|
|28| 4 | 13 |НАЛИЧИЕ
УКРАШЕНИЙ:....... Цепочка................|
0.264| 10.822| 95.458|
|29| 7 | 26
|ДОСТАТОК:................ Есть компьютер.........| 0.218|
11.041| 97.384|
|30| 7 | 27
|ДОСТАТОК:................ Есть мобильный телефон.| 0.194|
11.235| 99.097|
|31| 5 | 18
|ОДЕЖДА:.................. Брюки или джинсы.......| 0.102|
11.337|100.000|
|32| 6 | 23 |МАКИЯЖ, МАНИКЮР,
ПЕДИКЮР: Вызывающий.............|
0.000| 11.337|100.000|
|33| 8 | 29
|ПОСЕЩАЕМОСТЬ:............ Очень плохая...........| 0.000|
11.337|100.000|
=========================================================================================
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
Соответствующую логистическую
кривую (накопительную селективной силы) можно получит в графической форме нажав
на клавишу "F8 График".
Пример решения задания 4:
Провести анализ модели
Анализ модели позволяет дать обоснованные ответы, например,
на следующие вопросы:
1. Как посещаемость занятий по системам искусственного
интеллекта влияет на успеваемость по этой дисциплине?
2. Как сказывается пол на посещаемости?
3. Как выглядят конструкты "Пол",
"Город-деревня", "Учебная группа",
"Успеваемость", "Посещаемость"?
4. Какие студенты являются "типичными
представителями" для своих учебных групп, а какие обладают своеобразием и
выраженной индивидуальностью?
Результаты анализа отобразить в графической форме нелокальных
нейронов и семантических сетей признаков. На их основе построить классические когнитивные
карты для хорошо и плохо успевающих студентов.
Пример решения задания 4.1:
Как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость
по этой дисциплине?
Для ответа на этот вопрос войдем в подсистему:
"Типология" режим: "Типологический анализ первичных признаков –
Информационные (ранговые) портреты" и установив курсор на строке с кодом
30 "Посещаемость плохая" нажмем Enter. В результате
в экранной форме отобразиться информационный портер признака, т.е. состояния
студентов, расположенные в порядке убывания значимости данного признака для их
наступления. Однако в этой экранной форме приведены все состояния, а нас интересует
только успеваемость. Успеваемость – это классификационная шкала, с кодами
градаций от 7 до 10. Поэтому, чтобы отобразить только эти классы, нажмем
клавиши: "F6 Фильтрация", затем "F1 Диапазон кодов" и
зададим коды 7 – 10. В результате получим экранную форму, приведенную на рисунке
11:
Аналогично получим экранную форму для информационного
портера признака: 32 "Посещаемость хорошая", представленную на
рисунке 12.
Из этих рисунков видно, что плохой посещаемости соответствует
низкая успеваемость, а хорошей – высокая,
как и можно было ожидать. Вроде бы это и так все знают, но дело
в том, что теперь этот вывод получен непосредственно
на основе анализа эмпирических данных
и является количественным.
|
|
|
Рисунок 2. Информационный портрет признака: 30 "Посещаемость
плохая", фильтр по успеваемости. |
|
|
|
Рисунок 3. Информационный портрет признака: 32 "Посещаемость хорошая", фильтр по успеваемости. |
Эту же
информацию можно получить и другим способом.
В подсистеме
F6 "Анализ" запустить режим "Просмотр профилей классов и
признаков" и нажать функциональную клавишу F2 "Выбор статистической
матрицы" F3 "Загрузить матрицу информативностей". Затем нажать
F5 "Профили 3d", F1 "Трехмерная поверхность" и задать
диапазон кодов классов: 7-10 (классификационная шкала:
"Успеваемость") и диапазон кодов признаков 29-33 (классификационная
шкала: "Посещаемость"). После этого появится возможность настройки
ориентации трехмерной системы координат, описанная в Help
в системе. Выход из настройки по клавише Esc. После
этого в экранных формах в виде трехмерных графиков последовательно отображаются
информативности выбранной подматрицы, которые имеется возможность записать в
форме PCX-файлов, пропустить или распечатать. Некоторые из этих форм
представлены на рисунках 13-14.
|
|
|
|
|
|
|
|
|
Рисунок 4. Некоторые варианты отображения
подматрицы: |
Из анализа
этих трехмерных графиков видно, что очень хорошая успеваемость слабо зависит от
посещаемости, а низкая – сильно. На основании этого можно сформулировать
гипотезу, что хорошая посещаемость может гарантировать от низкой успеваемости,
но сама по себе не гарантирует высокой, для достижения которой, видимо, играют
важную роль также другие факторы, например, уровень достатка. Чтобы проверить
эту гипотезу в подсистеме F6 "Анализ" запустим режим "Просмотр
профилей классов и признаков" и поставим курсор на класс: код 7 "Успеваемость
– 5 более 75%", а затем нажмем F4 "Профили 2d", F1 "Класс
распознавания" и зададим диапазон признаков, градаций описательных шкал:
24-33 (шкалы: "Достаток" и "Посещаемость"). В результате
получим графическую форму, представленная на рисунке 14:
|
|
|
Рисунок 5. Профиль влияния описательных шкал: "Достаток"
и "Посещаемость" на классификационную шкалу "Успеваемость" |
Из этой
формы видно, что хорошая посещаемость (код 32) положительно влияет на высокую
успеваемость примерно также, как наличие квартиры (код 24) и компьютера (код
26), но все эти факторы вместе взятые уступают влиянию одного фактора:
"Есть автомобиль" (код 25).
Пример решения задания 4.2: Как сказывается
пол на посещаемости?
В
подсистеме: "Типология" зайдем в режим: "Типологический анализ
классов распознавания – Информационные (ранговые) портреты" и установив
курсор на строке с кодом 1 "ПОЛ - мужской" нажмем Enter.
В результате в экранной форме отобразиться информационный портер класса, т.е.
признаки студентов, расположенные в порядке убывания характерности признаков
для данного класса. Однако в этой экранной форме приведены все признаки, а нас
интересует только посещаемость. Посещаемость – это описательная шкала, с кодами
градаций от 29 до 33. Поэтому, чтобы отобразить только эти признаки, нажмем
клавиши: "F6 Фильтрация", затем "F1 Диапазон кодов" и
зададим коды 29 – 33. В результате получим экранную форму, приведенную на
рисунке 15. Аналогично получим информационный портрет класса: код 2, "ПОЛ
– женский". Результат представлен на рисунке 16.
|
|
|
Рисунок 6. Информационный портрет класса: 1 "ПОЛ - мужской", фильтр по посещаемости. |
|
|
|
Рисунок 7. Информационный портрет класса: код 2 "ПОЛ – женский", фильтр по посещаемости. |
Из этих
рисунков видно, что для ребят характерны плохая и средняя посещаемость, а для
девушек – очень хорошая и хорошая. Как это сказывается на успеваемости мы уже
знаем.
Пример решения задания 4.3: Как выглядят
конструкты "Пол", "Город-деревня", "Учебная
группа", "Посещаемость"?
Ответ на
первые три вопроса дает анализ, который можно провести в подсистеме F5
"Типология", "Типологический анализ классов",
"Кластерный и конструктивный анализ", "Автоматическое выполнение:
[1]-[2]-[3]".
После этого
выполним режим: "Генерация кластеров и конструктов классов", при
следующих параметрах:
– количество
уровней кластеризации – 1;
– порог
модуля сходства – 0;
– диапазон
кодов классов: 1-14;
– исключаем
кластеры с одним классом;
– не
исключаем кластеры с тождественным набором классов.
Результаты
кластерно-конструктивного анализа классов можно просмотреть в режиме: "Просмотр
и печать кластеров и конструктов классов" (рисунок 17), а также
получить в виде TXT-файла с именем Klas_obj.txt
в поддиректории TXT (таблица 17):
|
|
|
Рисунок 8. Конструкт: "Пол" |
|
Таблица
6 – КОНСТРУКТЫ И КЛАСТЕРЫ |
|
|
Удивительно,
что система обнаруживает конструкты "Пол", "Город-деревня"
и другие, уже нам известные. Конструкт: "Посещаемость" является
конструктом градаций описательных шкал, т.е. признаков. Он генерируется в
подсистеме F5 "Типология", "Типологический анализ
признаков", "Кластерный и конструктивный анализ",
"Автоматическое выполнение: [1]-[2]-[3]".
После этого
выполним режим: "Генерация кластеров и конструктов признаков", при
следующих параметрах:
– количество
уровней кластеризации – 1;
– порог
модуля сходства – 0;
– диапазон
кодов классов: 1-33;
– исключаем
кластеры с одним признаком;
– не
исключаем кластеры с тождественным набором признаков.
Результаты
кластерно-конструктивного анализа признаков
можно получить в виде TXT-файла с именем Klas_prp.txt в поддиректории TXT
(таблица 18):
|
Таблица
7 – КОНСТРУКТ ПРИЗНАКОВ: |
|
|
Пример решения задания 4.4: Какие студенты
являются "типичными представителями" для своих учебных групп, а какие
обладают своеобразием и выраженной индивидуальностью?
Чтобы
ответить на этот вопрос необходимо провести в подсистеме: F5
"Типология", "Типологический анализ классов",
"Кластерный и конструктивный анализ", "Автоматическое выполнение:
[1]-[2]-[3]".
После этого
выполним режим: "Генерация кластеров и конструктов классов", при
следующих параметрах:
– количество
уровней кластеризации – 1;
– порог
модуля сходства – 0;
– диапазон
кодов классов: 13-56 (коды классов учебных групп и индивидуально студентов);
– исключаем
кластеры с одним классом;
– не
исключаем кластеры с тождественным набором классов.
Результаты
кластерно-конструктивного анализа классов можно получить в виде TXT-файла с
именем Klas_obj.txt в поддиректории TXT
(таблица 19):
Таблица
8 – КОНСТРУКТ: "УЧЕБНАЯ ГРУППА"
15-10-04 10:53:27
Фильтр кодов: 13-56
========================================
| Код |
Наименование | Сход- |
|класса| класса распознавания | ство
% |
|=======================================
| 13 | ГРУППА ПИ-51.........| 100.00|
| 27 | Мясников ПИ-51.......| 43.60|
| 31 | Черкашина ПИ-51......| 40.11|
| 28 | Нагапетян ПИ-51......| 27.38|
| 15 | Бабенко ПИ-51........| 24.17|
| 21 | Заяц ПИ-51...........| 21.70|
| 20 | Жеребятьев ПИ-51.....| 16.21|
| 23 | Котенко
ПИ-51........| 13.90|
| 34 | Шульгин ПИ-51........| 3.78|
| 46 | Куркина ПИ-52........| 0.98|
==========================================
==========================================
| 16 | Воробьева ПИ-51......| -0.35|
| 53 | Силенко
ПИ-52........| -1.79|
| 43 | Иванова ПИ-52........| -3.81|
| 26 | Лях ПИ-51............| -3.83|
| 24 | Кузина О. ПИ-51......| -4.22|
| 25 | Кузина Я. ПИ-51......| -5.27|
| 37 | Веревкина ПИ-52......| -13.84|
| 54 | Соколова ПИ-52.......| -14.71|
| 49 | Мануйлов ПИ-52.......| -16.14|
| 45 | Крейс
ПИ-52..........| -17.43|
| 56 | Цисарь
ПИ-52.........| -23.11|
| 22 | Иванова ПИ-51........| -23.42|
| 50 | Нарижний
ПИ-52.......| -24.32|
| 52 | Паршакова
ПИ-52......| -26.13|
| 41 | Еременко ПИ-52.......| -30.56|
| 47 | Люлик
ПИ-52..........| -36.87|
| 38 | Григорьева ПИ-52.....| -52.30|
| 14 | ГРУППА ПИ-52.........| -64.51|
==========================================
Из таблицы 19 видно, что:
– студенты: Мясников, Черкашина, Нагапетян, Бабенко являются
"типичными представителями" группы ПИ-51;
– студенты: Григорьева, Люлик,
Еременко, Паршакова, Нарижний,
Иванова, Цисарь являются "типичными представителями"
группы ПИ-52;
– студенты: Шульгин, Куркина, Воробьева, Силенко, Иванова, Лях, Кузина О. и Кузина Я. обладают
своеобразием и более ярко выраженной индивидуальностью, по сравнению с другими,
т.к. они не похожи на типичных представителей ни одной группы (в рассматриваемой
системе признаков).
Необходимо также отметить, что в учебной группе ПИ-51
степень разнообразия студентов в рассматриваемой системе признаков выше, чем в
группе ПИ-52, что можно объяснить тем, что в 51 группе больше ребят, чем
девушек и они в основном из краевого центра, а в 52 группе больше девушек и в
основном они из села, как это видно из конструкта "Пол" в таблице 13.
Пример решения задания 4.5:
Результаты анализа отобразить в графической форме семантических сетей классов,
нелокальных нейронов и семантических сетей признаков. На их основе построить
классические когнитивные карты для студентов с различной успеваемостью
Семантические сети классов отображаются на экране и записываются
в форме PCX-файла в поддиректории: PCX/Klas-obj в подсистеме F5 "Типология", "Типологический
анализ классов", "Кластерный и конструктивный анализ",
"Вывод 2d семантических сетей классов". На рисунке 18 приведена
семантическая сеть классов с кодами от 1 до 14 (обобщенные классы).
Нелокальные нейроны отображаются в подсистеме F6
"Анализ", режиме: "Графическое отображение нелокальных нейронов".
Они записываются в форме PCX-файла в поддиректории: PCX/NeuroNet. На рисунке 19 приведен нелокальный нейрон:
"Успеваемость: очень хорошая".
Семантическая сеть признаков отображается в
подсистеме: F6 "Типология", в режиме: "Типологический анализ
первичных признаков – Кластерный и конструктивный анализ – Вывод 2d
семантических сетей признаков". Семантическая сеть отображается на экране
и записывается в виде PCX-файла в поддиректории: PCX/Klas-att.
На рисунке 20 приведена семантическая сеть для тех признаков,
у которых оказались наибольшие весовые коэффициенты в приведенном на рисунке 19
нейроне (показаны только те связи между признаками, которые оказались больше
30%):
|
|
|
Рисунок 9. Семантическая сеть классов |
|
|
|
Рисунок 10. Нелокальный нейрон: |
|
|
|
Рисунок 11. Семантическая
сеть признаков, оказавшихся |
Если
дополнить графическое изображение нейрона на рисунке 19 связями между
признаками, показанными в семантической сети на рисунке 20, то получим
классическую когнитивную карту. Студентам это предлагается сделать
самостоятельно в 7-м режиме 6-й подсистемы, также как и получить когнитивные карты
для других уровней успеваемости.
Контрольные
вопросы
1. Что понимается под формализацией задачи.
2. Как создать классификационные и
описательные шкалы в системе "Эйдос"?
3. Как собрать исходную фактографическую
информацию и ввести в систему обучающую выборку?
4. Как осуществить синтез и верификацию
модели?
5. Как оценить ценность признаков для
прогнозирования и выделить признаки, наиболее существенные для решения поставленной
задачи?
6. Как провести анализ модели, чтобы ответить
на следующие вопросы:
– как посещаемость занятий по системам
искусственного интеллекта влияет на успеваемость по этой дисциплине?
– как сказывается пол на посещаемости?
– как выглядят конструкты "Пол",
"Город-деревня", "Учебная группа", "Успеваемость",
"Посещаемость"?
– какие студенты являются "типичными
представителями" для своих учебных групп, а какие обладают своеобразием и
выраженной индивидуальностью;
7. Как отобразить результаты анализа в графической
форме нелокальных нейронов и семантических сетей признаков. На их основе
построить классические когнитивные карты для хорошо и плохо успевающих
студентов.
Литература
по лабораторной работе
1. Луценко
Е.В. Теоретические основы и технология адаптивного семантического анализа в
поддержке принятия решений (на примере универсальной автоматизированной системы
распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. -
280с.
2. 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.