Regelbaserad maskininlärning

Regelbaserad maskininlärning (RBML) är en term inom datavetenskap avsedd att omfatta alla maskininlärningsmetoder som identifierar, lär sig eller utvecklar "regler" för att lagra, manipulera eller tillämpa. Det avgörande kännetecknet för en regelbaserad maskininlärare är identifieringen och användningen av en uppsättning relationsregler som tillsammans representerar den kunskap som fångas upp av systemet. Detta i motsats till andra maskininlärare som vanligtvis identifierar en singulär modell som kan appliceras universellt på vilken instans som helst för att göra en förutsägelse. ^{[ förtydligande behövs ]}^{[ citat behövs ]}

Regelbaserade tillvägagångssätt för maskininlärning inkluderar inlärning av klassificeringssystem , inlärning av associationsregel , artificiella immunsystem och vilken annan metod som helst som bygger på en uppsättning regler, som var och en täcker kontextuell kunskap.

Medan regelbaserad maskininlärning begreppsmässigt är en typ av regelbaserat system, skiljer det sig från traditionella regelbaserade system , som ofta är handgjorda, och andra regelbaserade beslutsfattare. Detta beror på att regelbaserad maskininlärning tillämpar någon form av inlärningsalgoritm för att automatiskt identifiera användbara regler, snarare än att en människa behöver tillämpa tidigare domänkunskaper för att manuellt konstruera regler och kurera en regeluppsättning.

Regler

Regler har vanligtvis formen av ett ' {IF:THEN}-uttryck' , (t.ex. { IF 'condition' THEN 'result'}, eller som ett mer specifikt exempel, {IF 'red' AND 'octagon' THEN 'stopptecken' } ). En enskild regel är inte i sig en modell, eftersom regeln endast är tillämplig när dess villkor är uppfyllt. Därför omfattar regelbaserade maskininlärningsmetoder vanligtvis en uppsättning regler, eller kunskapsbas , som tillsammans utgör prediktionsmodellen.

Se även