روشهای استخراج قانون استقرائی

 خانواده سیستم استخراج قوانین خانواده یادگیری استقرایی است که شامل چندین الگوریتم پوشش است. از این خانواده برای ساختن یک مدل پیش بینی براساس مشاهدات داده شده استفاده می ­شود. این برنامه براساس مفهوم جداگانه و تسخیر کار می­ کند تا مستقیماً قوانین را از یک مجموعه آموزشی خاص استقرا کند و مخزن دانش خود را بسازد. 

 خانواده الگوریتم ­های قوانین به طور عمده در داده­ کاوی استفاده می­ شوند تا مدلی را ایجاد کنند که عملکردهای یک ویژگی ورودی خاص را پیش بینی کند. این زیر مجموعه یادگیری استقرایی است که یک رویکرد یادگیری ماشینی است. در این نوع یادگیری­، معمولاً به سیستم اطلاعات قبلی داده می ­شود تا براساس داده ­های قبلی داده شده، دانش توصیفی کسب کند. بنابراین­، این یک الگوی یادگیری نظارت شده است که به عنوان ابزاری برای تجزیه و تحلیل داده ­ها کار می ­کند. دانش به دست آمده از طریق آموزش برای دستیابی به نتیجه گیری کلی و شناسایی اشیاء جدید با استفاده از طبقه بندی تولید شده استفاده می­ شود.

یادگیری استقرایی به دو نوع تقسیم شده است:

درخت تصمیم گیری

الگوریتم های پوشش

درخت تصمیم ­گیری قوانینی را با استفاده از مبتنی بر مفهوم تقسیم و کشف می­ کند، در حالی که الگوریتم پوشش مستقیماً از مجموعه آموزش ­ها براساس مفهوم جداگانه قوانین را استقرا می­ کند. اگرچه الگوریتم­ های درخت تصمیم در چند دهه گذشته به خوبی شناخته شده بودند ، الگوریتم پوشش به دلیل خاصیت استقرا قانون مستقیم توجه را به خود جلب کردند.

تحت این نوع یادگیری استقرایی، چندین خانواده توسعه یافته و بهبود یافته­ اند. خانواده قوانین، به عنوان سیستم استخراج قاعده شناخته می­ شود، یک خانواده از الگوریتم­ های پوشش دهنده است که هر نمونه را هنگام استقرا از بهترین قوانین جدا می­ کند. در این خانواده ، قوانین حاصل در ساختار "شرط اگر سپس نتیجه گیری" ذخیره می ­شوند. این روش استقرایی خاص خود را دارد که برای استقرا بهترین قوانین و ساخت مخزن دانش استفاده می ­شود.

برای استقرا بهترین قوانین براساس مشاهدات داده شده، خانواده قوانین با انتخاب یا جدا کردن یک نمونه برای ساختن یک قانون، با عمل شرط به شرط شروع می ­کنند. قانونی که مثبت­ ترین نمونه ­ها را در برمی ­گیرد و کمترین نمونه­ های منفی را به عنوان بهترین قانون نمونه فعلی انتخاب می ­کنند. این اجازه می ­دهد تا بهترین قانون برای پوشاندن برخی از نمونه ­های منفی برای افزایش انعطاف­ پذیری و کاهش مشکل بیش از حد اتصالات و داده­ های پر سر و صدا در استقرا قانون باشد. وقتی عملکرد پوشش به یک آستانه مشخص رسید­، نمونه ­هایی را که مطابق با قوانین ناشی از آن می­ باشد حذف می­ کند. این مانع از تکرار کشف همان قانون و همچنین حفظ صحت پوشش و کلی بودن قوانین جدید می­ شود. پس از آن، الگوریتم برای انتخاب نمونه دیگر تا زمانی که تمام نمونه­ ها پوشانده شود، تکرار می­ شود. بنابراین فقط در هر مرحله می­ توان یک قانون ایجاد کرد.