Rajoitteilla ohjattu gradienttivahvistus-menetelmä

Abstract

Tutkielmassa tarkastellaan tekoälyyn rinnastettavien mallintamismenetelmien — valintapuiden — toimintaa vertaamalla asiantuntijoiden tietoa hyödyntävän valintapuun ja tavanomaisen valintapuun tarkkuutta toisiinsa. Lisäksi tutkielmassa käsitellään valintapuihin liitettyä mallintamisen tarkkuutta parantavaa algoritmia, joka perustuu jyrkimmän laskun menetelmään. Tavoitteena tutkielmassa on selvittää mainittujen valintapuiden toimivuutta terästen kristallisoitumislämpötilojen ennustamisessa.

Tavanomainen valintapuun toiminta perustuu puun ennustamien arvojen virheiden minimoimiseen käyttämällä virheen muodostamaa funktiota. Valintapuut koulutetaan ennustamaan mahdollisimman oikeita arvoja mallintamisen kohteena olevasta systeemistä kerätyn datan avulla. Valintapuiden muokattavuuden johdosta niiden mallintamisen tarkkuutta voidaan parantaa yhdistämällä niihin erilaisia tehostamisalgoritmeja. Tutkielmassa tarkasteltava asiantuntijan tietoon pohjautuva valintapuumenetelmä perustuu virheen minimoimisen lisäksi asiantuntijan tiedosta muodostettuihin rajoitteisiin, jotka ohjaavat puuta rakentumaan haluttuun suuntaan toimimalla ylimääräisenä sakkona, joka lisätään virheeseen silloin kun puu ei noudata annettua rajoitetta.

Mallinnettaessa kristallisoitumislämpötiloja käytetyn aineiston avulla, ei tuloksissa havaittu merkittävää eroa eri menetelmien kesken. Asiantuntijatiedon saatavuus työtä tehden oli kuitenkin rajoitettu, joten algoritmia ohjaavien rajoitteiden muodostaminen oli epävarmaa. Valintapuut ovat toimiva mallintamisen menetelmä kyseisen aineiston kohdalla johtuen aineiston monipuolisuudesta ja laajuudesta. Jatkoa ajatellen tutkielma antaa hyvän pohjan sekä toisenlaisten valintapuumenetelmien vertailuun, että entistä parempien menetelmien ja algoritmien löytämiseen.