Технологии интеллектуального анализа данных : учебное пособие

213 которая с заданной точностью аппроксимирует экспериментальные данные. Следует отметить, что если для решения задачи идентифика- ции параметров нечеткой нейронной сети существуют эффектив- ные и доказательные подходы, то решение ряда задач на этапе идентификации структуры нечеткой нейронной сети является более сложным и неоднозначным, требующим использования эвристиче- ских подходов. В общем случае архитектура любой нечеткой нейронной сети определяется алгоритмом работы той системы нечеткого логиче- ского вывода, аналогом которой является данная нейронная сеть. Например, рассмотренные нечеткие нейронные сети ANFIS и NNFLC основаны на системах нечеткого вывода Сугено и Такаги– Сугено соответственно. Таким образом, для создания нечеткой нейронной сети необ- ходимо, прежде всего, выбрать конкретную модель представления знаний, в рамках которой обученная нейронная сеть будет форми- ровать систему нечетких правил, с заданной точностью аппрокси- мирующих данные из обучающей выборки. Контрольные вопросы 1. Перечислите основные методы и задачи Data Mining. 2. В чем заключается сущность решения задач классификации и регрессии? 3. Какие существуют наиболее распространенные модели, отражающие результаты классификации? 4. В чем заключается особенность построения деревьев ре- шений? 5. В чем суть методики «разделяй и властвуй»? 6. Какова постановка задачи поиска ассоциативных правил.