Машинное обучение на основе правил - Rule-based machine learning

Машинное обучение на основе правил (RBML) - термин в Информатика предназначен для охвата любых машинное обучение метод, который определяет, изучает или развивает «правила» для хранения, манипулирования или применения.[1][2][3] Определяющей характеристикой машинного обучения, основанного на правилах, является идентификация и использование набора реляционных правил, которые в совокупности представляют знания, полученные системой. Это контрастирует с другими методами машинного обучения, которые обычно определяют особую модель, которую можно универсально применить к любому экземпляру, чтобы сделать прогноз.[требуется разъяснение ][нужна цитата ]

Подходы к машинному обучению на основе правил включают обучающие системы классификаторов,[4] изучение правил ассоциации,[5] искусственная иммунная система,[6] и любой другой метод, основанный на наборе правил, каждое из которых охватывает контекстное знание.

Хотя машинное обучение на основе правил концептуально является типом системы, основанной на правилах, оно отличается от традиционного системы на основе правил, которые часто создаются вручную, и другие лица, принимающие решения на основе правил. Это связано с тем, что машинное обучение на основе правил применяет некоторую форму алгоритма обучения для автоматического определения полезных правил, а не человека, которому необходимо применять предшествующие знания предметной области для создания правил вручную и управления набором правил.

Правила

Правила обычно имеют форму выражения {IF: THEN} (например, {IF 'condition' THEN 'result'}, или, как более конкретный пример, {ЕСЛИ "красный" И "восьмиугольник" ТО "стоп-сигнал"}). Отдельное правило само по себе не является моделью, поскольку правило применимо только тогда, когда его условие выполнено. Поэтому методы машинного обучения, основанные на правилах, обычно содержат набор правил или база знаний, которые вместе составляют модель прогнозирования.

Смотрите также

Рекомендации

  1. ^ Бассель, Джордж В .; Глааб, Энрико; Маркес, Джульетта; Холдсворт, Майкл Дж .; Бакардит, Жауме (01.09.2011). «Функциональное построение сети в Arabidopsis с использованием машинного обучения на основе правил на крупномасштабных наборах данных». Растительная клетка. 23 (9): 3101–3116. Дои:10.1105 / tpc.111.088153. ISSN  1532–298X. ЧВК  3203449. PMID  21896882.
  2. ^ М., Weiss, S .; Н., Индуркхья (1995-01-01). «Методы машинного обучения на основе правил для функционального прогнозирования». Журнал исследований искусственного интеллекта. 3 (1995): 383–403. arXiv:cs / 9512107. Bibcode:1995cs ....... 12107W. Дои:10.1613 / jair.199. S2CID  1588466.
  3. ^ «GECCO 2016 | Учебники». GECCO 2016. Получено 2016-10-14.
  4. ^ Урбанович, Райан Дж .; Мур, Джейсон Х. (22 сентября 2009 г.). «Обучающие системы классификаторов: полное введение, обзор и план действий». Журнал искусственной эволюции и приложений. 2009: 1–25. Дои:10.1155/2009/736398. ISSN  1687-6229.
  5. ^ Чжан, К., Чжан, С., 2002. Интеллектуальный анализ ассоциативных правил: модели и алгоритмы. Springer-Verlag.
  6. ^ Де Кастро, Леандро Нуньес и Джонатан Тиммис. Искусственные иммунные системы: новый подход с использованием вычислительного интеллекта. Springer Science & Business Media, 2002.