Inducción de reglas

La inducción de reglas es un área del aprendizaje automático en la que se extraen reglas formales de un conjunto de observaciones. Las reglas extraídas pueden representar un modelo científico completo de los datos o simplemente representar patrones locales en los datos.

La minería de datos en general y la inducción de reglas en detalle intentan crear algoritmos sin programación humana pero analizando estructuras de datos existentes. ^[1]^{: 415-} En el caso más sencillo, una regla se expresa con “declaraciones si-entonces” y se creó con el algoritmo ID3 para el aprendizaje del árbol de decisión. ^[2]^{: 7}^[1]^{: 348} El algoritmo de aprendizaje de reglas toma datos de entrenamiento como entrada y crea reglas dividiendo la tabla con análisis de conglomerados . ^[2]^{: 7} Una posible alternativa al algoritmo ID3 es la programación genética que hace evolucionar un programa hasta que se ajusta a los datos. ^[3]^{: 2}

En el software WEKA se pueden crear diferentes algoritmos y probarlos con datos de entrada. ^[3]^{: 125} Las herramientas adicionales son bibliotecas de aprendizaje automático para Python , como scikit-learn .

Paradigmas

Algunos paradigmas importantes de inducción de reglas son:

Algoritmos de aprendizaje de reglas de asociación (p. ej., Agrawal)
Algoritmos de reglas de decisión (por ejemplo, Quinlan 1987)
Algoritmos de prueba de hipótesis (p. ej., RULEX)
Inducción de la cláusula de cuerno
Espacios de versión
Reglas aproximadas
Programación Lógica Inductiva
Descomposición booleana (Feldman)

Algoritmos

Algunos algoritmos de inducción de reglas son:

Charada ^[4]
Reglax
Progol
CN2

Referencias

^ ab Evangelos Triantaphyllou; Giovanni Felici (10 de septiembre de 2006). Enfoques de minería de datos y descubrimiento de conocimiento basados en técnicas de inducción de reglas. Medios de ciencia y negocios de Springer. ISBN 978-0-387-34296-2.
^ ab Alex A. Freitas (11 de noviembre de 2013). Minería de datos y descubrimiento de conocimiento con algoritmos evolutivos. Medios de ciencia y negocios de Springer. ISBN 978-3-662-04923-5.
^ ab Gisele L. Pappa; Alex Freitas (27 de octubre de 2009). Automatización del diseño de algoritmos de minería de datos: un enfoque informático evolutivo. Medios de ciencia y negocios de Springer. ISBN 978-3-642-02541-9.
^ Sahami, Mehran. "Aprendizaje de reglas de clasificación mediante celosías". Aprendizaje automático: ECML-95 (1995): 343-346.

Quinlan, JR (1987). «Generación de reglas de producción a partir de árboles de decisión» (PDF) . En McDermott, John (ed.). Actas de la Décima Conferencia Internacional Conjunta sobre Inteligencia Artificial (IJCAI-87) . Milán, Italia. págs. 304–307.