Inducción de reglas

La inducción de reglas es un área del aprendizaje automático en la que se extraen reglas formales a partir 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 con el análisis de las estructuras de datos existentes. ^[1]^{: 415-} En el caso más fácil, una regla se expresa con "declaraciones if-then" y se creó con el algoritmo ID3 para el aprendizaje de árboles de decisión. ^[2]^{: 7}^[1]^{: 348} El algoritmo de aprendizaje de reglas toma datos de entrenamiento como entrada y crea reglas particionando la tabla con análisis de clústeres . ^[2]^{: 7} Una posible alternativa al algoritmo ID3 es la programación genética que desarrolla un programa hasta que se ajusta a los datos. ^[3]^{: 2}

La creación de diferentes algoritmos y su prueba con datos de entrada se puede realizar en el software WEKA. ^[3]^{: 125} Herramientas adicionales son bibliotecas de aprendizaje automático para Python , como scikit-learn .

Paradigmas

Algunos paradigmas principales de inducción de reglas son:

Algoritmos de aprendizaje de reglas de asociación (por ejemplo, Agrawal)
Algoritmos de reglas de decisión (por ejemplo, Quinlan 1987)
Algoritmos de prueba de hipótesis (por ejemplo, RULEX)
Inducción de la cláusula de cuerno
Espacios de versiones
Reglas generales del conjunto
Programación lógica inductiva
Descomposición booleana (Feldman)

Algoritmos

Algunos algoritmos de inducción de reglas son:

Charada ^[4]
Regla
Progol
CN2

Referencias

^ ab Evangelos Triantaphyllou; Giovanni Felici (10 de septiembre de 2006). Enfoques de descubrimiento de conocimiento y minería de datos basados en técnicas de inducción de reglas. Springer Science & Business Media. ISBN 978-0-387-34296-2.
^ por Alex A. Freitas (11 de noviembre de 2013). Minería de datos y descubrimiento de conocimiento con algoritmos evolutivos. Springer Science & Business Media. ISBN 978-3-662-04923-5.
^ por Gisele L. Pappa; Alex Freitas (27 de octubre de 2009). Automatización del diseño de algoritmos de minería de datos: un enfoque computacional evolutivo. Springer Science & Business Media. ISBN 978-3-642-02541-9.
^ Sahami, Mehran. "Aprendizaje de reglas de clasificación mediante redes". 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 Conjunta Internacional sobre Inteligencia Artificial (IJCAI-87) . Milán, Italia. pp. 304–307.