Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Машинное обучение на основе правил (RBML) - это термин в информатике, предназначенный для обозначения любого метода машинного обучения, который идентифицирует, изучает или развивает «правила» для хранения, манипулирования или применения. [1] [2] [3] Определяющей характеристикой основанного на правилах машинного обучения является идентификация и использование набора реляционных правил, которые в совокупности представляют знания, полученные системой. Это отличается от других машинного обучения, которые обычно определяют особую модель, которую можно универсально применить к любому экземпляру, чтобы сделать прогноз. [ требуется уточнение ] [ необходима цитата ]

Подходы к машинному обучению на основе правил включают в себя обучающие системы классификаторов , [4] обучение ассоциативным правилам , [5] искусственные иммунные системы , [6] и любые другие методы, основанные на наборе правил, каждый из которых охватывает контекстное знание.

Хотя машинное обучение на основе правил концептуально является типом системы, основанной на правилах, оно отличается от традиционных систем , основанных на правилах , которые часто создаются вручную, и других лиц, принимающих 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 предыдущие знания предметной области для создания правил вручную и курирования набора правил.

Правила [ править ]

Правила обычно принимают форму выражения {IF: THEN} (например, { IF 'condition' THEN 'result'} или, в более конкретном примере, {IF 'красный' AND 'восьмиугольник' THEN 'стоп-сигнал'} ). Отдельное правило само по себе не является моделью, поскольку правило применимо только тогда, когда его условие выполнено. Поэтому методы машинного обучения на основе правил обычно включают набор правил или базу знаний , которые вместе составляют модель прогнозирования.

См. Также [ править ]

Ссылки [ править ]

  1. ^ Бассель, Джордж В .; Глааб, Энрико; Маркес, Джульетта; Холдсворт, Майкл Дж .; Бакардит, Жауме (01.09.2011). «Функциональное построение сети в арабидопсисе с использованием машинного обучения на основе правил на крупномасштабных наборах данных» . Растительная клетка . 23 (9): 3101–3116. DOI : 10.1105 / tpc.111.088153 . ISSN 1532-298X . PMC 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 . DOI : 10.1613 / jair.199 . S2CID 1588466 . 
  3. ^ «GECCO 2016 | Учебники» . GECCO 2016 . Проверено 14 октября 2016 .
  4. ^ Урбанович, Райан Дж .; Мур, Джейсон Х. (22 сентября 2009 г.). «Обучающие системы классификаторов: полное введение, обзор и дорожная карта» . Журнал искусственной эволюции и приложений . 2009 : 1–25. DOI : 10.1155 / 2009/736398 . ISSN 1687-6229 . 
  5. ^ Чжан, С. и Чжан, С., 2002. Извлечение правил ассоциации: 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.