Mixed Attribute Types in Similarity Measures in the Retrieval Step of Case-based Reasoning

Abstract

Et nytt forskningsområde er utfordringen med å beregne likhet på heterogene attributter, samt transformere mellom kategoriske og numeriske verdier. Forskningen som er beskrevet i denne rapporten vil omhandle feltet kunstig intelligens, og mer spesifikt likhetsberegning i sammenheng med Retrieval-steget i Case-based Reasoning. Hensikten med denne studien er å fremme forståelse av både likhetsberegninger og transformasjonsmetoder for attributter for blandede datatyper i klassifiseringsproblemer. Forskningen vil naturlig nok også ha bruksområder utenfor Case-based Reasoning. Arbeidet vårt vil bli utført med en teoretisk studie supplert av et anvendt forskningseksperiment i samarbeid med Trollhetta, et AI-selskap lokalisert i Trondheim. En prototype som bruker k-NN er utviklet for å håndtere klassifisering av blandede attributter sammensatt av kategoriske og numeriske verdier. Vi bidrar med en evaluering av optimale strategier når det gjelder å bruke kategoriske kontra kontinuerlige likhetsberegning på et datasett med blandede attributtyper til det vitenskapelige samfunnet. En ny teknikk for å lære den gjensidige oversettelsen mellom kategoriske og numeriske verdier blir også introdusert.