Правдоподобные, но необоснованные предпосылки при построении диагностических моделей

• Date: 2020
• Main Author: Файнзильберг, Л.С.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2020
• Series: Проблемы управления и информатики
• Subjects: Роботы и системы искусственного интеллекта
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/208727
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Правдоподобные, но необоснованные предпосылки при построении диагностических моделей / Л.С. Файнзильберг // Проблемы управления и информатики. — 2020. — № 3. — С. 137-148. — Бібліогр.: 15 назв. — рос.

При вирішенні ряду прикладних задач медичної і технічної діагностики конструювання діагностичних моделей здійснюється в умовах недостатності знань про фізичні закономірності, що мають місце в обʼєкті дослідження. Доводиться конструювати моделі лише на основі здорового глузду та інтуїції, покладаючись на наявний експериментальний матеріал (прецеденти). Однак при цьому можливі помилкові рішення, що призводять до неефективності діагностичної системи. Розглянуто приклади деяких міркувань, які виявляються неспроможними з наукової точки зору. Показано, що лінійний класифікатор, до якого зводиться метод прийняття рішень за відстанню до еталонів, може призводити до абсурдних результатів. Такий ефект виникає, якщо не виконується вимога незалежності за перевагами окремих ознак, яка передбачає, що «погіршення» значення однієї ознаки може бути компенсовано «поліпшенням» іншої та навпаки, що не завжди правильно. Показано, що необґрунтоване розширення простору діагностичних ознак може погіршити ефективність діагностичного правила. Тому важливо позбутися непотрібних ознак ще до етапу навчання. Проаналізовано неспроможність аргументації про те, що при побудові діагностичних моделей доцільно використовувати тільки статистично незалежні ознаки. Для ілюстрації помилковості такої аргументації доведено, що при статистичній залежності між ознаками сукупність неінформативних окремо ознак може бути не тільки корисною, а й спроможною забезпечити безпомилкове розпізнавання класів. Тому важливо у кожному конкретному випадку досліджувати питання про умовну статистичну залежність між ознаками перш, ніж приймати рішення про їх виключення з опису. На прикладі задачі побудови моделі непрямої оцінки вмісту вуглецю в рідкому металі за температурою початку кристалізації показано, що за навчальною вибіркою, що містить тільки спостережувані дискретні значення, неможливо методами самоорганізації відновити справжню діагностичну модель без залучення додаткових алгоритмів.