Các vấn đề khác trong CBR

Một phần của tài liệu (LUẬN VĂN THẠC SĨ) Ước lượng chi phí phần mềm bằng CBR (Trang 40 - 41)

2. CHƢƠNG 2 LẬP LUẬN TRÊN KINH NGHIỆM

2.3. Các vấn đề khác trong CBR

Dữ liệu đầu vào không đầy đủ

Đối với các bài toán việc ước lượng sớm là rất quan trọng tuy nhiên trong quá trình ban đầu của bài tóan thì việc ước lượng và làm rõ nghiệp vụ rất khó khăn và chỉ cho kết quả tương đối. Có thể thực hiện giải quyết thành hai bước như sau :

- Tính độ tương quan ca lập luận dựa trên các thuộc tính đã có.

- Cho phép chuyên gia chọn lựa trên danh sách những ca lập luận có độ tương quan phù hợp nhất.

Tối ưu hóa trọng số

Một trong những vấn đề khó khăn nhất trong lập luận theo kinh nghiệm là tính độ tương tự giữa các ca lập luận phục vụ cho giai đoạn tìm kiếm lại. Hàm tính độ tương tự có ảnh hưởng rất lớn tới hiệu quả và độ chính xác của các hệ thống lập luận theo kinh nghiệm. Các phương pháp tính độ tương tự như đã trình bày ở trên một số phương pháp cần có các trọng số đi kèm với mỗi thuộc tính. Mỗi trọng số tương ứng với mỗi thuộc tính trong hàm tương tự thể hiện tầm quan trọng của thuộc tính trong đặc tả ca lập luận, thông thường thuộc tính có giá trị trọng số lớn có tầm quan trọng lớn. Do đó các trọng số có ảnh hưởng rất lớn tới độ chính xác của hàm tương tự và vì vậy ảnh hưởng tới chất lượng của toàn bộ hệ thống lập

luận theo kinh nghiệm. Trên thực tế bộ trọng số phụ thuộc và đánh giá chủ quan của chuyên gia trong lĩnh vực. Vì vậy để giảm sai số trong tìm kiếm khi bộ trọng số đưa ra một cách cảm tính không giúp hàm tương tự có kết quả như đánh giá chung mà chuyên gia mong muốn, cần có phương pháp tối ưu hóa các trọng số này.

Có một số phương pháp tối ưu hàm trọng số như :

- Dựa trên phương pháp kết hợp phân tích thống kê và kỹ thuật giảm Gradient. - Thực hiện tối ưu hóa trọng số theo kỹ thuật mạng Neural.

Một phần của tài liệu (LUẬN VĂN THẠC SĨ) Ước lượng chi phí phần mềm bằng CBR (Trang 40 - 41)

Tải bản đầy đủ (PDF)

(72 trang)