Regelinduktion

Beslutsträd

Regelinduktion är ett område för maskininlärning där formella regler extraheras från en uppsättning observationer. De extraherade reglerna kan representera en fullständig vetenskaplig modell av data, eller bara representera lokala mönster i data.

Datautvinning i allmänhet och regelinduktion i detalj försöker skapa algoritmer utan mänsklig programmering utan med att analysera befintliga datastrukturer. I det enklaste fallet uttrycks en regel med "om-då-satser" och skapades med ID3-algoritmen för inlärning av beslutsträd. Regelinlärningsalgoritm tar träningsdata som indata och skapar regler genom att partitionera tabellen med klusteranalys . Ett möjligt alternativ framför ID3-algoritmen är genetisk programmering som utvecklar ett program tills det passar till data.

Att skapa olika algoritmer och testa dem med indata kan realiseras i WEKA-mjukvaran. Ytterligare verktyg är maskininlärningsbibliotek för Python , som scikit-learn .

Paradigm

Några huvudregelinduktionsparadigm är:

Algoritmer

Några regelinduktionsalgoritmer är:

  1. ^ a b   Evangelos Triantaphyllou; Giovanni Felici (10 september 2006). Datautvinning och kunskapsupptäckande tillvägagångssätt baserade på regelinduktionstekniker . Springer Science & Business Media. ISBN 978-0-387-34296-2 .
  2. ^ a b   Alex A. Freitas (11 november 2013). Data Mining och Knowledge Discovery med evolutionära algoritmer . Springer Science & Business Media. ISBN 978-3-662-04923-5 .
  3. ^ a b   Gisele L. Pappa; Alex Freitas (27 oktober 2009). Automatisera designen av datautvinningsalgoritmer: en evolutionär beräkningsmetod . Springer Science & Business Media. ISBN 978-3-642-02541-9 .
  4. ^ Sahami, Mehran. " Lära sig klassificeringsregler med hjälp av gitter ." Maskininlärning: ECML-95 (1995): 343-346.