ПОСТРОЕНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ НЕЧЕТКИХ ДАННЫХ

• Main Authors: Vitaly Levashenko, Oleksii Liashenko, Heorhii Kuchuk
• Format: Article
• Language: English
• Published: National Technical University "Kharkiv Polytechnic Institute" 2020-12-01
• Series: Сучасні інформаційні системи
• Subjects: cистемы поддержки принятия решений; нечеткая логика; деревья нечетких решений
• Online Access: http://ais.khpi.edu.ua/article/view/218841

Разработка инструментария оценки принимаемых решений является актуальной и востребованной задачей на современном этапе развития информационных технологий. Таким инструментарием являются, например, системы поддержки принятия решений (СППР). В работе предлагается математический аппарат построения СППР. Построение СППР предполагает анализ имеющихся результатов наблюдений или измерений и выработку стратегии проверок исходных параметров в виде дерева нечетких решений или продукционных правил. Основу предлагаемого аппарата составляют суммарные информационные оценки (информация и энтропия) для нечетких наборов данных. Использование нечетких данных наиболее полно соответствует человеческой природе, поскольку на практике люди часто применяют субъективные ощущения и априорные знания, чем точные вероятностные критерии. Поэтому, используя нечеткую логику и рассматривая степень возможности как нечеткую меру, эксперты имеют возможность описывать реальные данные с достаточной точностью. Исследована взаимосвязь предложенных суммарных информационных оценок. В работе приведены примеры, демонстрирующие использование предлагаемого математического аппарата на практической задаче. В дальнейшей работе, авторы планируют привести результаты экспериментальных исследований предлагаемого подхода и его сопоставление с иными известными методами и алгоритмами. Указанное сопоставление представляется для широкого круга формализованных данных, хранящихся в известном репозитории UCI Machine Learning Repository. В качестве сопоставляемых методов и алгоритмов планируется выбрать иные алгоритмы построения деревьев нечетких решений, алгоритмы байесовской классификации, построения деревьев решений C4.5, CART и метод ближайших соседей.