我們來討論一個機率推論的問題....

比如說，患有A病的人，有B、C兩種證狀產生
我們常會這樣想，如果有B證狀那就有患此病的可能，
如果同時有B、C兩種病那麼我們通常會認為得A病的機率大增，

當然，愛算命的人可以把A視為某種命理結果，B、C是不同的命理條件

由經驗，似乎
        P(A|B and C)>=P(A|B)
     <=>P(A and B and C)/P(B and C] >= P(A and B)/P(B)

為方便記述，我把A and B記成AB
所以
     <=>P(ABC)/P(BC)    >= P(AB)/P(B)
我們作一個假設，B、C是獨立的
     <=>P(ABC)/[P(B)*P(C)] >= P(AB)/P(B)
若P(B)、P(C)不為零，因為兩邊恒正，移項後
     <=>P(ABC)/P(C) >= P(AB)
再以D代替AB，E代替C
     <=>P(DE)/P(E) >= P(D)
     <=>P(DE) >= P(D)*P(E)

今以一例子推翻

令宇集U={a,b,c,d,e,f,g,h}
  集合D={a,b,c}
      E={c,d,e}
      DE={c}
若將各元素視為公平的
則
      P(DE)=1/8
      P(D)*P(E)=(3/8)*(3/8)=9/64
顯然
      P(DE)=1/8=8/64 < 9/64=P(D)*P(E)

由此可證

      同時滿足兩個條件，並有比只滿足一個條件來得有說服力


也許我哪裏推錯了，如果沒有推錯，那麼可以給大家一個省思的機會
這結果頗令人訝異

回應:

---

或許用來作為命理的量化與人工智慧的命理專家系統是可行的方法，
嗯....有興趣的話，歡迎討論。不然，當做無病呻吟也可以。總之，
如果我循著舊有的道路前進的話，那麼結果就和命理的前輩們類似吧!
新的思考模式或許會失敗，但是，緲茫的機會中就有一絲成功的希望。

---

雖然看不太懂您的數學式子，但我大概知道您要表達的意思
我研究所老闆是國內人工智慧的專家
（國內相關研討會都會看到他的蹤影，大概是主席或是籌辦人）
當時修他的課，馬上就想到應用於這方面
並且腦中已經有個雛形，對於命理學研究，絕對是逆其向而行

我目前就在規劃類似的系統
類似 Data Mining，一切都在規劃當中
內部 Message Passing 以及文件處理輸出打算全部以 XML 及 Java 實做
程式物件組織架構我心中都有譜了，不過這是個很大的計畫，短期內不可能上線
（現在還在跟 Cocoon , XML , XSL , XSLT , XPath... 搏鬥中）
（XML 是未來開放格式的標準，為了擴充性以及資料交換起見，本站必定要支援）

程式寫作方面，我另一個研究所同學（現在在資策會）以及一個學弟（正要學人工智慧）願意一起開發。如果您願意加入我們，我們很歡迎。

Edited by jwjwo on 07/19/01 09:03 AM (server time).

回應:

---

個人以為，要完成命理推論的模式化，
1)要先蒐集夠多的論斷細節。
2)不然，用上百上千的命例來做多變量分析
3)或用類神經做訓練或許是可行的方法。
不知道站長喜歡哪一種?以第一項來說，大部分的資料(市面上的)只有單星和雙星
的論斷方法，三星的似乎只有Uranus學派才有，而加上宮位和星座後，複雜的程度
可能超乎想像....
關於第二項，如果用多變量的方法，我已經看過相關的一些資料了，那麼，只剩下
蒐集命例和使用站長已經開發好的命盤繪製程式來取得各種變量的資料。
如果用的是第三種，可能得試試看哪種神經模式較好，或許都不好用也說不定

---

其實您說的我都有想到，而且全都在規劃當中
只是分析方法，我不建議採用 neural network, 我建議可以採用 decision tree, 也許是 binary decision tree等方法。為什麼不建議採用 neural network ? 因為 neural network 輸出的是一個黑盒子 (black box)，內含各個結點的權重值，對人們而言，沒有意義。而 decision tree 所輸出的，則是可判讀的資料。
也就是因為複雜的程度超乎想像，一張命盤一經電腦分析，所萃取出來的值可能高達上百上千（不是只有傳統的 X 星於 Y 星座 Z 宮…），而且每個人可能所設定的先決條件（分宮法…）不一樣，這會造成不同的設定就會有不同的測量基準。所以整個講起來，這需要相當大的計算負擔。

回應:

---

ps1.程式寫作上用XML Java我沒意見，可惜要再學
我建議模式分析上，可以使用Matlab，原因無他，用得比較熟而已
ps2.忘了粉重要的一件事，Linux系統我的程度只到會灌而已，
要能在那上面寫東東，可能路途不會太短...@@

---

慢慢來，所以我說這是很大的系統，而且我已經預定要分很多階段來實作。不可能一開始就全部上線。

其實您說的我都有想到，而且全都在規劃當中

只是分析方法，我不建議採用 neural network, 我建議可以採用
decision tree, 也許是 binary decision tree等方法。為什麼不建議採用
neural network ? 因為 neural network 輸出的是一個黑盒子 (black box)，內含各個結點的權重值，對人們而言，沒有意義。而
decision tree 所輸出的，則是可判讀的資料。

也就是因為複雜的程度超乎想像，一張命盤一經電腦分析，所萃取出來的值可能高達上百上千（不是只有傳統的
X 星於 Y 星座 Z 宮…），而且每個人可能所設定的先決條件（分宮法…）不一樣，這會造成不同的設定就會有不同的測量基準。所以整個講起來，這需要相當大的計算負擔。



我來確認一下，binary decision tree指的是if..
then ...else的方式來推論嗎?

似乎用fuzzy的權值式推論比較好一些說...個人認為

即使不使用neural的方式，fuzzy對於雜訊的扺抗能力較佳，

或許會比較適合吧!

回應:

---

我來確認一下，binary decision tree指的是if..
then ...else的方式來推論嗎?
似乎用fuzzy的權值式推論比較好一些說...個人認為
即使不使用neural的方式，fuzzy對於雜訊的扺抗能力較佳，
或許會比較適合吧!

---

binary decision tree 基本上是把所有的資料轉成 0 與 1 的 type
然後再加以判別分析，裡面也有相當多的參數可以調
（不是什麼 if...then...else 喔）
Fuzzy, ㄟ，我老闆就是前 Fuzzy 協會理事長
這部分應該也可以派上用場

只是我覺得現在考慮這些還太遠了

我現在還在練基本功哩

Edited by jwjwo on 07/19/01 10:51 AM (server time).