Zusammenfassung
Die überdeckende Klassifikation eignet sich für Klassifikationsprobleme, bei denen die Lösungen (Ursachen) — eventuell über Zwischenzustände — relativ zuverlässig bestimmte Merkmale (Wirkungen) hervorrufen. Die Wissensrepräsentation besteht in der einfachsten Form aus Merkmalen, Lösungen und Regeln der Art: Lösung verursacht Merkmal (L -> M). Eine Lösung oder eine Gruppe von Lösungen ist um so besser bewertet, je vollständiger sie die beobachteten Merkmale gemäß ihrer Regeln erklärt, d.h. überdeckt, und je weniger nicht-beobachtete Merkmale sie herleitet. Die Grundstruktur illustriert Abb. 9.1. Wenn die überdeckende Klassifikation zur Fehlersuche eingesetzt wird, nennen wir sie auch Klassifikation mit Fehlermodellen. Zwei Beispiele für Fehlermodelle aus dem technischen und dem medizinischen Bereich zeigen die Abbildungen 9.2 und 9.3. Die überdeckende Klassifikation eignet sich jedoch nicht nur zur Fehlersuche, sondern für alle Anwendungsbereiche, bei denen die Lösungen durch charakteristische Mengen von Problemmerkmalen beschreibbar sind.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Eshelman, L.: MOLE: A Knowledge-Acquisition Tool for Cover-and-Differentiate Systems, in Marcus, S. (ed.): Automating Knowledge Acquisiton for Expert Systems, Chapter 3, Kluwer Academic Publishers, 1988.
Goos, K.: FEMO: ein Expertensystem-Rahmen zur Aufnahme kausaler Fehlermodelle, Diplomarbeit, Universität Karlsruhe, 1989.
Goos, K.: Rückkopplungen in einer modellbasierten Diagnostik-Shell, erscheint in Proc. der GWAI-90, Springer, Informatik-Fachberichte 251, 1990.
Kahn, G.: MORE: From Observing Knowledge Engineers to Automating Knowledge Acquisition, in Marcus, S. (ed.): Automating Knowledge Acquisiton for Expert Systems, Chapter 2, Kluwer Academic Publishers, 1988.
Long, W., Naimi, S., Criscitiello, M. and Jayes, R.: The Development and Use of a Causal Model for Reasoning About Heart Failure, in Miller, P. (ed.): Selected Topics in Medical Artificial Intelligence, Chapter 4, Springer, 1988.
Miller, P. and Fisher, P.: Causal Models for Medical Artificial Intelligence, in Miller, P. (ed.): Selected Topics in Medical Artificial Intelligence, Chapter 2, Springer, 1988.
Patil, R.: Causal Representation of Patient Illness for Electrolyte and Acid-Base Diagnosis, Dissertation, LCS-TR-267, MIT, 1981.
Patil, R., Szolovits, P. and Schwartz, W.: Modeling Knowledge of the Patient in Acid-Base and Electrolyte Disorders, in Szolovits, P. (ed.): Artificial Intelligence in Medicine, AAAS Selected Symposium 51, Westview Press, 1982.
Patil, R. and Senyk, O.: Compiling Causal Knowledge for Diagnostic Reasoning, in Miller, P. (ed.): Selected Topics in Medical Artificial Intelligence, Chapter 3, Springer, 1988.
Reggia, J., Nau, D. and Wang, P.: A New Inference Method for Frame-Based Expert Systems, AAAI-83, 333–337, 1983.
Reggia, J., Nau, D. and Wang, P.: Diagnostic Expert Systems Based on a Set Covering Model, Int. J. Man-Machine-Studies 19, 437–460, 1983.
Steels, L.: Second Generation Expert Systems, in: Expertensysteme-87, Berichte des German Chapter of the ACM 28, Teubner, 475–483, 1987.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1990 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Puppe, F. (1990). Überdeckende Klassifikation. In: Problemlösungsmethoden in Expertensystemen. Studienreihe Informatik. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-76133-1_9
Download citation
DOI: https://doi.org/10.1007/978-3-642-76133-1_9
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-53231-6
Online ISBN: 978-3-642-76133-1
eBook Packages: Springer Book Archive