Самообучающиеся системы. 
Информационные системы в экономике

основаны на методах автоматической классификации примеров реальных практических ситуаций (обучения на примерах). Обучающая выборка (примеры реальных ситуаций) формируется за определенный период (ретроспективный). Данные примеры описываются набором признаков классификации. Существует два варианта обучения:

• • «с учителем» — в этом случае задается для каждого примера в явном виде значение классообразующего признака (признака его принадлежности некоторому классу ситуаций);
• • «без учителя» — здесь в явном виде не заданы значения «выходов», а система самостоятельно выделяет классы ситуаций на основе степени близости значений признаков классификации.

Система обучается, и в результате такого обучения автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам. Эти правила обученная система использует для интерпретации новых возникающих ситуаций, т. е. действует при решении реальных задач. База знаний, используемая при решении задач классификации и прогнозирования, формируется автоматически, а далее периодически автоматически корректируется. Это происходит по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

Существуют недостатки, которые свойственны всем самообучающимся системам:

• • из-за возможной неполноты и (или) зашумленности (избыточности) обучающей выборки (ее нерепрезентативности) возникают проблемы относительной адекватности базы знаний решаемым задачам и возникающим проблемам;
• • из-за проблем, связанных с плохой смысловой ясностью зависимостей признаков, возникает неспособность объяснения (интерпретации) пользователям получаемых результатов;
• • из-за ограничений в размерности признакового пространства появляются проблемы неглубокого описания проблемной области, а также узкая направленность применения системы.

Рассмотрим различные классы самообучающихся систем.

Индуктивные системы основаны на обобщении примеров. Обобщение реализуется от частного к общему и сводится к выявлению подмножеств примеров, которые относятся к одним и тем же подклассам, и определению значимых признаков для этих примеров.

Процедура классификации примеров реализуется следующим образом:

• • из множества заданных выбирается признак классификации (это делается либо случайным образом, либо последовательно, либо согласно определенному правилу). Это правило может заключаться, например, в выборе примера в соответствии с максимальным числом получаемых подмножеств;
• • на основании выбранного признака (по его значению) множество примеров разбивают на подмножества;
• • реализуют проверку на принадлежность каждого вновь образовавшегося подмножества примеров одному подклассу;
• • в случае если какое-то из подмножеств примеров принадлежит одному подклассу (значение классообразующего признака в этом случае у всех примеров подмножества должно совпасть), процесс классификации завершается (другие признаки классификации уже не берут в рассмотрение);
• • для тех подмножеств примеров, у которых не совпадает значение классообразующего признака, продолжают процесс последовательной классификации (шаги с 1 по 4; в конечных узлах — значения признака принадлежности определенному классу).

Примерами инструментальных средств, поддерживающих индуктивный вывод знаний, являются 1st Class (Programs in Motion), Rulcmaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переславль-Залесский).