Knowledge is a basic component of expert system. But knowledge acquisition for business problems like stock investment is difficult because the knowledge is unstructured and time dependent. Therefore knowledge acquisition via domain expert is not suitable. In this research, based on the Quinlan's ID3, the knowledge acquisition by machine learning was adopted. This machine learning generates knowledge from a large data base of examples by inductive learning. The knowledge is rule based type and is represented by tree structure. This learning system selects the most discriminatory attribute first and put the attribute on root node of tree, and selects next most discriminatory attribute as the root of lower level subtree. This process continues until all discriminating attributes are included in the rule base. The measure of discriminatory power of an attribute is entropy and the strength of a rule is measured by certainly factor.
The system was constructed in supermicro computer and exploratory knowledge on stock investment is generated. This system is general enough to apply to any domain as far as the structure of examples is the combination of attributes and values.
지식( Knowledge )은 전문가 시스템의 매우 중요한 구성 요소이나 적용분야의 지식이 비정형적이고 시간이 지남에 따라 변경이 심할 때 전문가로 부터 지식을 이전하는 지식 습득 방식은 적당하지 못하게 된다. 본 논문은 Quinlan의 ID3에 기초하여 자동학습을 통해 보기( example )로부터 지식을 생성하는 전문가 시스템을 개발하여 주식 투자 분야에 시험적인 적용을 하여 보았다.
이는 보기로 부터의 연연적 자동학습이며 지식을 rule base 로 표현하고 이는 또한 특성( attribute=node )과 값 ( value=branch )으로된 나무 구조( tree structure )로 표현된다. 나무 구조의 생성 방식은 discriminating power가 가장 큰 특성 즉,data의 불확실성( uncertainty )을 가장 줄여주는 특성부터 node를 구성하게 한다. data의 불확실성은 entropy로 표현되며 생성된 rule의 strength는 certainty factor로 표현된다.
본 논문은 주식 투자분야에 적용하여 생성된 rule의 hit ratio를 계산해 보았다.
