Логическая обучающая машина - Logic learning machine

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) эта статья может чрезмерно полагаться на источники слишком тесно связан с предметом, потенциально препятствуя публикации статьи проверяемый и нейтральный. Пожалуйста помоги Улучши это заменив их более подходящими цитаты к надежные, независимые сторонние источники. (Июнь 2015 г.) (Узнайте, как и когда удалить этот шаблон сообщения) Похоже, что один из основных авторов этой статьи тесная связь со своим предметом. Может потребоваться очистка для соответствия политике содержания Википедии, в частности нейтральная точка зрения. Пожалуйста, обсудите подробнее страница обсуждения. (Июнь 2015 г.) (Узнайте, как и когда удалить этот шаблон сообщения) эта статья является сирота, как никакие другие статьи ссылка на это. Пожалуйста ввести ссылки на эту страницу из Статьи по Теме; попробуйте Инструмент поиска ссылок для предложений. (Июль 2016) (Узнайте, как и когда удалить этот шаблон сообщения)

Логическая обучающая машина (LLM) это машинное обучение метод, основанный на генерации внятных правил. LLM - это эффективная реализация парадигмы коммутирующей нейронной сети (SNN),^[1] разработан Марко Музелли, старшим научным сотрудником Итальянского национального исследовательского совета CNR-IEIIT в Генуя.Logic Learning Machine реализована в Rulex люкс.

LLM использовалась в различных секторах, в том числе в области медицины (классификация ортопедических пациентов,^[2] Анализ микромассивов ДНК ^[3] и системы поддержки принятия клинических решений ^[4]), финансовые услуги и управление цепочками поставок.

История

Подход с коммутационной нейронной сетью был разработан в 1990-х годах для преодоления недостатков наиболее часто используемых методов машинного обучения. В частности, методы черного ящика, такие как многослойный персептрон и Машина опорных векторов, имел хорошую точность, но не мог дать глубокого понимания изучаемого явления. С другой стороны, деревья решений могли описать явление, но часто не хватало точности. Коммутационные нейронные сети использовали Булева алгебра создавать наборы понятных правил, способных обеспечить очень хорошую производительность. В 2014 году была разработана и внедрена эффективная версия Switching Neural Network в Rulex Suite с названием Logic Learning Machine.^[5] Также была разработана версия LLM, посвященная задачам регрессии.

Общее

Как и другие методы машинного обучения, LLM использует данные для построения модели, способной делать хороший прогноз будущего поведения. LLM начинается с таблицы, включающей целевую переменную (выход) и некоторые входные данные, и генерирует набор правил, возвращающих выходное значение. ${ displaystyle y}$ соответствующий заданной конфигурации входов. Правило записывается в виде:

${ displaystyle { textbf {if}} { text {}} предпосылка { text {}} { textbf {then}} { text {}} последствие}$

где последствие содержит выходное значение, тогда как предпосылка включает одно или несколько условий на входах. В зависимости от типа ввода условия могут иметь разные формы:

• для категориальные переменные входное значение должно быть в заданном подмножестве:${ displaystyle x_ {1} in {A, B, C, ... }}$.
• для упорядоченные переменные условие записывается как неравенство или интервал: ${ displaystyle x_ {2} leq alpha}$ или ${ Displaystyle бета leq x_ {3} leq gamma}$

Таким образом, возможное правило находится в форме

${ displaystyle { textbf {if}} { text {}} x_ {1} in {A, B, C, ... } { text {AND}} x_ {2} leq alpha { text {AND}} beta leq x_ {3} leq gamma { text {}} { textbf {then}} { text {}} y = { bar {y}}}$

Типы

В зависимости от типа вывода были разработаны разные версии Logic Learning Machine:

• Логическая обучающая машина для классификации, когда на выходе категориальная переменная, который может принимать значения в конечном множестве
• Логическая обучающая машина для регрессии, когда на выходе целое число или настоящий номер.

использованная литература

внешние ссылки

• Rulex официальный сайт