Artificial intelligence 人工智能与专家系统

我从生成决策树开始构建我的专家系统，如下所示： 决策树：

我使用PC外壳构建专家系统，主要代码如下：

result=e IF a>20, b=yes;
result=f IF a>20, b=no;
result=c IF a==20;
result=g IF a<20, d="is dry"; 

result=e如果a>20，b=yes；
如果a>20，结果=f，b=no；
如果a==20，则结果=c；
结果=g如果a是，这是AI，好的老式AI（）。更具体地说，是一个可以作为专家系统的知识库；维基百科关于的文章包含一个类似的例子：


如果它是活的，那么它是会死的
如果他的年龄=已知，那么他的出生年份=今天的日期-他的年龄（以年为单位）
如果无法确定细菌的特性，且细菌为革兰氏阳性，且生物体的形态为“棒状”，且细菌为需氧菌，则细菌属于肠杆菌科的可能性很大（0.8）

它的工作原理类似于基于文本的游戏，推理是从“a”、“b”和“d”的值中推断“result”的值。
在我看来，您似乎混淆了决策树a和中使用的决策树。这种混淆可能是因为两者实际上是相同的东西，但使用方式不同

正如@jb krohn在他的回答中所说，在您的示例中，您确实构建了一个决策树作为专家系统。也就是说，您自己定义决策树的分支。虽然这属于人工智能的广泛范畴，但它实际上与现代机器学习中使用决策树的方式大不相同

在机器学习中，决策树的分支由算法根据数据集确定。也就是说，该算法本身构建规则，目的是使其结构与给定的训练数据集相匹配

还有许多后续考虑事项，例如，这可能会帮助您了解定义自己的决策树与让算法猜测它们的利弊。要详细说明使用前向链接推理实现的专家系统，可以参考它们包含一阶逻辑谓词的能力，这进一步增强了它们的表达能力，如中所述

最后，对于正向和反向链接推理，您需要使用可修改的知识库。通常，在域和范围是静态的决策树中不存在这种情况。然而，在专家系统中，规则的执行实际上改变了用作输入数据的谓词。因此，从决策树的角度来看，这为算法引入了某种类型的递归，而决策树的简单结构排除了这一点