Проблема машинного обучения: диагностируя программу в Java / отличный (datamining, машинное обучение)

Существуют различные алгоритмы, которые попадают в категорию «машинного обучения», и то, что подходит для вашей ситуации, зависит от типа данных, с которыми вы имеете дело.

Если ваши данные по существу состоят из сопоставлений набора вопросов с набором диагнозов, каждый из которых может быть да / нет, то я думаю, что потенциально работающие методы включают нейронные сети и методы для автоматического построения дерева решений на основе тестовых данных. .

Я бы посмотрел на некоторые стандартные тексты, такие как Russel & Norvig («Искусственный интеллект: современный подход») и другие вводные в AI / машинное обучение, и посмотрел бы, сможете ли вы легко адаптировать упомянутые ими алгоритмы. к вашим конкретным данным. См. Также О'Рейли, «Программирование коллективного разума».

Это проблема классификации, а не интеллектуального анализа данных. Общий подход состоит в том, чтобы извлечь признаки из каждого экземпляра данных и позволить алгоритму классификации изучить модель по признакам и результату (который для вас равен 0 или 1). Предположительно, каждый из ваших 30 вопросов будет отдельной особенностью.

Есть много методов классификации, которые вы можете использовать. Популярны машины опорных векторов, как и максимальная энтропия. Я не использовал библиотеку машинного обучения Java, но, на первый взгляд, я не вижу ни того, ни другого. В проекте OpenNLP реализована максимальная энтропия. LibSVM имеет машинную реализацию опорных векторов. Вам почти наверняка придется изменить свои данные так, чтобы их могла понять библиотека.

Удачи!

Обновление: Я согласен с другим комментатором, что Рассел и Норвиг - отличная книга по ИИ, в которой обсуждаются некоторые из этих вопросов. В книге Бишопа «Распознавание образов и машинное обучение» подробно рассматриваются вопросы классификации, если вас интересуют мелкие и грязные детали.

Я настоятельно рекомендую вам использовать Weka для вашей задачи
Это набор алгоритмов машинного обучения с удобным интерфейсом, который позволяет использовать множество различных функций и стратегий выбора модели
С его помощью вы можете делать много действительно сложных вещей, не прибегая к программированию или математике
Производители также опубликовали неплохой учебник , в котором объясняются практические аспекты интеллектуального анализа данных
Как только вы освоите его, вы сможете использовать его API для интеграции любого из его классификаторов в свои собственные java-программы

Ваша задача классическая для нейронных сетей, которые предназначены в первую очередь для решения именно классификационных задач. Нейронная сеть имеет достаточно простую реализацию на любом языке, и это «мейнстрим» «машинного обучения», более близкий к ИИ, чем что-либо другое. Вы просто реализуете (или получаете существующую реализацию) стандартную нейронную сеть, например, многослойную сеть с обучением путем обратного распространения ошибок, и даете ей обучающие примеры в цикле. После некоторого времени вы научитесь работать на реальных примерах. Вы можете узнать больше о нейронных сетях здесь: http://en.wikipedia.org/wiki/Neural_network http://en.wikipedia.org/wiki/Artificial_neural_network Также вы можете получить ссылки на многие готовые реализации здесь: http://en.wikipedia.org/wiki/Neural_network_software