V prípade, že zvažujeme zobrazenia výsledkov IEV
predpokladá sa, že toto zobrazenie zjednoduší situáciu
používateľa z hľadiska hodnotenia. Ak zobrazíme celú
populáciu jedincov v poradí ich vhodnosti,
potom môže používateľ porovnať medzi sebou
susedov. Predpokladá sa, že takýto komparatívny spôsob
zobrazenia môže znížiť únavu používateľa. Ďalšie možné
riešenie je, zobraziť podobne hodnotených jedincov
zoskupených
a následne vykonať hrubé (rough) ohodnotenie skupiny.
Niekedy je potrebné určiť hodnotiace charakteristiky
človeka. V minulosti boli použité rôzne spôsoby predikcie
hodnotenia pomocou neurónových sietí.
Postup navrhnutý v [46] spočíval
v predikovaní hodnotenia užívateľa. Následne boli použité
predikované ohodnotenia na určenie poradia zobrazenia
jedincov. Samozrejme je nemožné predikovať hodnotenia s
absolútnou presnosťou. Napriek tomu, pre používateľa môže
byť nápomocné iné poradie zobrazenia než náhodné. Dva
modely predikcie boli použité:
- jeden na báze neurónových sietí,
- druhý s použitím vzdialenosti medzi jedincami v
minulej a aktuálnej generácii.
Učenie NS prebieha
na základe jedincov z minulosti, resp. ich hodnotenia. Keď
EV vygeneruje potomkov, NS robí odhad ich hodnotenia. Jedinci
sa potom zobrazia v poradí, ktoré zodpovedá ich hodnoteniu.
Druhá predikčná metóda vypočíta Euklidovskú vzdialenosť
medzi jedným jedincom z aktuálnej generácie a jedincami z
minulej generácie. Priemerná hodnota vhodnosti v
predchádzajúcej generácii vážená inverznou hodnotou
vzdialenosti je definovaná ako predikovaná vhodnosť
aktuálneho jedinca.
Návrh topológie NS a následné aplikovanie pri IEV
aplikovaného na spracovanie akustickej informácie, hudby
je popísané v [7].
Adrian Toth
2005-11-16
