自适应规则学习算法：案例研究和初步结果的在线获取

可在www.sciencedirect.com在线获取理论计算机科学电子笔记342（2019）39-55www.elsevier.com/locate/entcs一种自适应规则学习算法：案例研究和初步结果Renata Luiza Stangea，b，1，2 Paulo Roberto MassaCeredab，3 João José Netob，4a巴西巴拉那州瓜拉普阿瓦联邦技术大学巴西圣保罗大学摘要问题划分策略（如顺序覆盖）通常用于规则学习算法中，以便将找到完整规则库的任务简化为一系列子问题。在这种情况下，子问题的每个解决方案都包含向整个集合添加单个规则。 本文提出基于使用自适应形式主义的规则学习的替代方案，一套动态的规则。 初步结果产生了一个紧凑但显著可理解的规则集，以及一个有效的模型表示，从原始数据使用自适应技术。为此，我们包括进一步讨论的功能和增强功能，以考虑在未来的工作。关键词：人工智能，机器学习，规则学习，自适应性，问题划分1引言机器学习关注的是计算机程序的构建，这些程序会随着经验而自动改进[13]。类似地，模式识别感兴趣的是通过计算机算法自动发现数据中的数据，以及随后将这些数据应用为决策行为，例如不同的数据分类[3]。机器学习中一个著名的分类方法是提取规则。这些算法通常产生If- n个分类器，其预测性能与其他传统分类方法（如决策树和关联分类）相当[22]。1 电子邮件地址：rlgomes@utfpr.edu.br2电子邮件：rlstange@usp.br3 电子邮件：paulo. usp.br4电子邮件：jjneto@usp.brhttps://doi.org/10.1016/j.entcs.2019.04.0041571-0661/© 2019作者。出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。40R.L. Stange等人/理论计算机科学电子笔记342（2019）39用于规则分类的电感器方法应用迭代过程，该过程覆盖训练示例的子集，然后从训练集中移除规则所覆盖的所有示例重复这个过程，直到没有剩下的例子。最终规则集是在每次迭代中学习的规则的集合[9]。PRISM是在[4]中开发并由其他人（即[8]和[19]）略微增强的规则归纳技术之一。该算法采用分而治之的知识发现策略，PRISM算法根据训练数据集中的类标签生成规则自适应技术是指使用技术和设备，期望通过自主修改自己的行为来对给定的输入做出反应[14]。从广义上讲，计算机在行为发生变化时进行学习，以便更好地执行特定任务。受这些领域以前工作的启发[20，21]，我们演示了如何通过使用自适应技术动态调整学习系统。将自适应性纳入学习方法的一个直接优势在于涵盖了学习本身的一个基本方面：基于与环境的交互的规则集的动态自适应[15]。此外，自适应技术的使用往往比传统方法更具表现力[14]。本文提出了一种混合的方法，从数据中提取规则，使用自适应概念和监督学习技术，如从数据中获取if-the-n规则。 该方法基于涉及问题分解的顺序覆盖策略：找到完整规则库的任务被简化为一系列子问题，其中每个子问题的解决方案是单个规则。整体解集合了所有的部分解[9]。此外，自适应规则驱动设备的自修改功能允许迭代知识检查，在完整的规则库上添加改进预测的规则，并替换一个或多个规则，以简化知识表示。观察算法AQ [12]和CN 2 [5]实现了该策略。自适应技术已成功地应用于模式识别和机器学习中。Pistori和Neto [16]提出了一种使用自适应技术的决策树归纳算法，结合了语法和统计策略。在[17]中，Pistori提出了一种自适应自动机作为手语自动识别过程的设备。据报道，自适应自动机还用于形状的句法模式识别[6]和机器人导航的混合地图的构建[11]。自适应技术的其他应用包括皮肤癌识别[10]和光学字符识别[7]。2理论框架本节提供了我们的建议所需的理论框架，涵盖了分类问题本身，基于规则的系统和规则驱动的自适应设备。2.1基于规则的系统决策规则被广泛用于表示从数据中获得的知识[2]。 一个If- n规则有一个简单的构造;例如，如果某个对象游泳，R.L. Stange等人/理论计算机科学电子笔记342（2019）3941→Ri：IFP THENQ是的x110？1？有鳞片，那么这样的物体就是鱼。图1示出了规则的结构。一个基于规则的系统可以通过一种称为分而治之的策略来学习。基于规则的方法是人工智能专家系统的基础，其中类可以由实体之间的一般关系来表征在这里，我们将集中在一个广泛的类 If- n规则表示和学习这样的关系。 If-n规则的一般形式是PQ或IfPTHEnQ，其中P是可以包含n个任意属性-值对的合取的命题，P=条件1... 不稳定的状况;重要的是要注意，n是已知的规则长度，Q是分类目标属性的值。规则Fig. 1.一个if-t规则的结构。根据Mitchell [13]，学习规则集的可能方法包括通过归纳算法学习决策树，例如ID3 [18]，然后将这种树转换为等效的规则集。决策树可以映射成一组规则，将每个分支转换成一个规则，即从根到一个叶子的每条路径对应于一个规则。图2呈现了决策树的假设示例。图二. 决策树的例子。 从根到叶的每条路径都可以写成一条合取规则，由路径上的决策节点定义的条件组成图中所示的决策树2可以写成下面的决策规则集：• 规则一：• 规则二：• 规则三：Ifx1>1，则n类=a;Ifx1>1<$x110则n类=b;1<$x1>= 10则n类=c;正如[23]所报道的，这种方法产生的规则在执行顺序无关紧要的意义上是明确然而，规则比必要的更复杂。正如我们刚刚看到的，我们可以通过学习决策树并将其转换为规则来获得If- n条另一种方法是直接规则学习。决策规则学习的工作原理类似于决策树，除了没一是B没C42R.L. Stange等人/理论计算机科学电子笔记342（2019）39联系我们←≤联系我们←规则归纳进行深度优先搜索，每次生成一条规则，而决策树归纳进行广度优先搜索，同时生成所有路径[1]。顺序覆盖算法使用一种流行的技术来学习规则集，其策略是一次学习一个规则，删除它覆盖的数据，然后迭代这个过程[23]。以下步骤显示了一般集合覆盖算法如何工作的草图[2]：(i) 创建一个规则，覆盖某个类的一些示例，而不覆盖其他类的任何示例，(ii) 从训练数据中删除覆盖的示例，以及(iii) 如果有一些例子不包括在任何规则中，请转到步骤1。在算法1中描述了原型顺序覆盖算法。算法1顺序覆盖算法1：过程SE qU n tI al cover ering（目标属性、属性、示例、阈值）2：学习的规则3：ruleLE aR n-onE-RULElE（）4：虽然PER forR mancE（规则，示例）阈值5：learnedRules学习规则+规则6：示例示例示例正确7：结束时8：返回学习的规则九： 结束程序正如Mitchell [13]所报告的那样，LE arn-onE-RULE必须返回一个单一的规则，该规则至少覆盖了一些示例。PÉRFORMANCE是用户提供的子例程，用于评估规则质量。该覆盖算法学习规则，直到它不能再学习性能高于给定阈值的规则。常见的评价功能包括[13]：• 相对频率。让n表示规则匹配的例子的数量，让nc表示它正确分类的例子的数量。规则性能w的相对频率估计由下式给出：w=ncn（一）• m-精度估计。此准确度估计值偏向于规则预期的默认准确度。设p是从整个数据集中随机抽取的样本将具有规则分配的分类令m为权重，或用于加权此先验p的等效示例数。规则准确度的m-估计由下式给出m=nc+mpen+m（二）• 熵熵度量这组示例的目标函数值的一致性。令S为匹配规则前提条件的示例集合。我们R.L. Stange等人/理论计算机科学电子笔记342（2019）3943Σ⇒≥≥∈∈∈∈取熵为负，这样更好的规则会有更高的分数。nS=pilog2pi（3）i=1其中p是事件发生的概率，i是事件的索引2.2规则驱动的自适应设备本小节正式介绍了José Neto [15]提出的数学形式。观察到该理论依赖于一个自适应机制，该机制包含一个非自适应规则驱动的设备，以便后者可以被增强，以适应自适应行为，同时保持其完整性和原始属性。定义2.1[规则驱动的设备]规则驱动的设备定义为ND=（C，NR，S，c0，A，NA），使得ND是规则驱动的设备，C是所有可能的配置的集合，c0∈C是初始配置，S是所有可能的输入刺激的集合，A∈C是所有接受配置的子集（分别地，F=C−A是所有拒绝配置的子集），NA是作为规则应用的副作用的ND的所有可能的输出刺激的集合，N∈NA，NR是将ND定义为关系NR∈C×S×C×NA的规则集合。定义2.2[规则]规则rNR定义为r=（ci，s，cj，z），ci，cjC，s S和zNA，表明作为对刺激s的响应，r将电流配置ci改变为cj，处理s并生成z作为输出[15]。规则r =（ci，s，cj，z）被称为与当前配置c兼容，当且仅当ci= c且s为空或等于当前输入激励;在这种情况下，规则r的应用将设备移动到配置cj，表示为ciscj，并将z添加到输出流。定 义 2.3 [ 规 则 驱 动 设 备 对 输 入 刺 激 流 的接受] 输 入 刺 激 流 w=w1w2. wn ，wk∈S−{k}，k=1，.，n，n≥0，当c0≤w1c1≤w2. <$wnc（简称c0<$wc），且c∈A。当c∈F 时 ， w 分 别 被 ND 拒 绝 .由 规 则 驱 动 的 设 备 ND 描 述 的 语 言 由 L （ ND）={w∈S<$|c0<$wc，c∈ A}.定义2.4[自适应规则驱动设备]规则驱动的装置AD=（ND 0，AM），其中ND 0是一个设备，AM是一个自适应机制，当对于所有操作步骤k0（k是内部计数器T的值，从零开始，每次非零自适应动作时递增1被执行），AD跟随底层设备ND k的行为，直到由非空自适应动作触发的操作步骤k + 1开始，修改当前规则集;简而言之，在操作步骤k 0中执行非空自适应动作使得自适应设备AD从底层设备NDk演进到ND k+1。定义2.5[自适应设备的操作]自适应设备AD以配置c0开始其操作，初始格式定义为AD0=44R.L. Stange等人/理论计算机科学电子笔记342（2019）39∈∈∈∈∈−⟨⟩⟨⟩⊆× × × ××∈∈∩−⊆∈（C0，AR0，S，c0，A，NA，BA，AA）。在步骤k中，当且仅当执行非自适应规则时，输入刺激将AD移动到下一配置并开始操作步骤k+ 1;因此，作为步骤k中的设备AD，其中ADk=（Ck，ARk，S，ck，A，NA，BA，AA），非空自适应动作的执行导致AD k+1=（Ck+1，ARk+1，S，ck+1，A，NA，BA，AA），其中AD=（ND0，AM）是具有启动基础设备ND0和自适应机制的AM，ND k是AD在操作步骤k中的底层设备，NR k是ND k的非自适应规则的集合，Ck是ND在操作步骤k中的所有可能配置的集合，ckCk是操作步骤k中的起始配置，S是AD的所有可能输入激励的集合，A C是接受配置的子集（分别地，F=C A是拒绝配置的子集），BA和AA是自适应动作的集合（两者都包含空动作，BA AA），NA，有ARk是自适应规则的集合，定义为关系AR k BAC S CNAAA，其中AR0定义AD的起始行为，AR是AD的所有可能的自适应规则的集合，NR是AD的所有可能的底层非自适应规则的集合，并且AM是自适应机制，AM = BA × NR × AA，将在NRk=NR中的每个规则的操作步骤k中应用。定义2.6[自适应规则]自适应规则ar AR k定义为ar=（ba，ci，s，cj，z，aa），表示作为对输入刺激s S的响应，ar初始执行先前的自适应动作ba取消对ba的执行如果此操作从AR k中删除ar;否则，底层非自适应规则nr=（ci，s，cj，z），nrNR k被应用，并且最后，后自适应动作aa[15]《易经》中的“五行”。定义2.7[自适应函数]自适应动作可以定义为抽象的自适应函数，类似于编程语言中的函数调用[15]。自适应函数的规范必须包括以下元素：（a）符号名称，（b）引用作为参数提供的值的形式参数，（c）将保存基本自适应检查动作的应用值的变量，（d）在每次使用时引用新值引用的生成器，以及（e）函数本身的主体。定义2.8[基本自适应动作]为了对规则集执行测试或修改现有规则，定义了三种类型的基本动作，即：(i) 检查：基本动作不修改当前规则集，但允许对这样的集进行检查并查询匹配某个模式的规则。它采用的形式？⟨pattern⟩.(ii) 移除：基本操作从当前规则集中移除与特定模式匹配的规则它采用了形式模式。如果没有规则匹配模式，则不执行任何操作。(iii) 插入：基本操作向规则集中添加与特定模式匹配的规则。它采用了形式+模式。如果规则已存在于规则集中，则不执行任何操作。R.L. Stange等人/理论计算机科学电子笔记342（2019）3945......自适应函数fmB A规则nB A第3B A规则2B A规则1这样的基本自适应动作可以用在自适应函数的主体中，包括使用函数范围中可用的形式参数、变量和生成器的规则模式。图3呈现了利用被映射到自适应函数的自适应动作来增强的一组规则的一般概念。注意，B和A分别表示要在规则应用之前和之后触发的自适应规则驱动装置自适应功能自适应函数f1自适应函数f2自适应函数f3图3.第三章。通过映射到自适应函数的自适应操作增强的规则集3一种基于自适应的规则学习技术我们的自适应模型方法受到算法1中的顺序覆盖描述的启发，具有微妙但显著的差异。根据算法1，子例程LE arn-onE-RULE接受一组正训练示例和负训练示例作为输入，并返回覆盖许多正示例和少数负示例的单个规则作为输出 我们对这个子程序提出了一个修改，使它现在返回不同的规则，包括正面和负面的例子（我们也将这样的子程序重命名为L EARN-RULE s）。我们还对样本集进行了不同的处理，以便在所有可用的训练样本上调用L e arn-rule。此外，它会根据一些启发式方法（即，每当相对频率等于1时）删除完全被它所学习的规则覆盖的正面或负面示例。顺序覆盖策略使用贪婪方法，该方法在迭代学习单个规则的情况下采取最佳局部动作，以便将每个学习到的规则添加到规则库中。一般来说，在每次迭代中添加的规则会一直作为规则库的一部分，直到学习过程结束。因此，我们的建议旨在修改顺序覆盖策略，以便新技术能够通过自适应函数来审查已经学习的规则。在每个步骤中，可以在三个选项中进行选择：(i) 增加一条新规则，提高规则库的预测能力46R.L. Stange等人/理论计算机科学电子笔记342（2019）39→-→←联系我们≤联系我们←←联系我们←≤||/←→(ii) 添加替换所述规则库的一个或多个规则的最佳规则，作为增加所述预测能力的尝试，或者(iii) 则不更新规则库。算法2学习规则，直到所有实例都被规则集覆盖，或者没有更多的属性要添加。算法2自适应算法1：过程管理（属性，D）2：学习规则3：实施例D4：attributesInfoR matI on-gaI n（attributes，D）5：虽然PER forR mancE（attributes，examples）thresholddo6：候选规则7：learnedRulesLE aR n-规则lE s（）8：示例正确分类的示例示例9：结束时10：返回学习规则11：结束过程主循环在一组规则AR k中搜索默认规则Ri。 默认规则Ri定义为Ri=P Q（w）[Ai]，i=1. n，其中[Ai]是自适应函数，在算法3中定义。算法3自适应函数1：程序Ai（rj，P，Q，fr）2：[PQ（w）[Ai]]：3：+[rj（fr）[Ai]]：第四章： 结束程序一种可能的办法，LEARN-RULEs子程序-参见算法-算法4包括类似于ID3算法的行为[ 18 ]来组织假设空间搜索我们的方法使用广度优先搜索来构建下一个规则。由于规则的后件必须是给定的类（在本例中，是正的或负的），因此只需要构造前件;这是通过从空的前件开始并迭代地为所有属性值添加属性值对来实现的。算法4学习规则1：程序LECARN-RULEles（示例）2：候选规则gE t-candI datE s（）3：whilei= 1candI datERULEsdo4：rule evalUatE（rj）第五章：6：如果rule=null，则7：在这种情况下，比较规则的性能0 那就什么都别做1 然后应用规则8：其他9：在AR k中添加新规则[Ri：PQ（fr）[An]]。10：如果结束11：结束时12：返回学习规则13：结束过程评估函数用于对候选规则进行评级，称为他是我的朋友。每个候选规则rj被定义为rj=P→Q（fr），其中fr是计算的.（fr>w）=R.L. Stange等人/理论计算机科学电子笔记342（2019）3947频率.这种广度优先的搜索一直持续下去，直到得到的规则足够具体。结果分类器可以包含三种类型的规则：（a）具有100%准确性的规则（较高等级），（b）具有良好准确性的规则（较低等级），即<100%和>50%，以及（c）具有较差准确性（平均等级）的规则，即=50%。 搜索时对于可应用的规则，算法以自顶向下的方式从主要规则（较高等级）开始遍历规则，直到到达具有较差等级的规则当两个或多个规则具有相同的性能时，该算法将优先选择P中具有最少项的规则。4说明性示例本节将给出一个教学示例，以说明通过我们的自适应算法进行规则学习的过程。我们选择了[ 18 ]提出的一个著名的数据集，命名为Weather dataset 5，如表1所示。一般而言，该方法假设：(i) 该算法获得包含作为输入的训练示例的数据集（例如，表1中描述的那些），(ii) 数据集由标称属性（例如，表2中描述的那些）组成，(iii) 属性保持预定义的顺序（例如，表3中描述的顺序），(iv) 每个实例被映射到来自正类标签和负类标签的集合的恰好一个元素。给定需求#4，我们首先考虑仅使用两个感兴趣类别的分类问题。在这种情况下，学习器从一个简单的规则表示开始，其中每个P都由实例属性上的约束的联合组成。特别地，让每个条件P是四个约束的向量，涉及属性外观，温度，湿度和风的值。对于每个属性，规则将：(i) 用符号表示吗任何价值都可以接受，或者(ii) 指定单个所需值（例如，（一）关于《易经》。4.1第一步通过循环计算每个属性值（outlook）的频率。然后计算所有候选规则的相对频率，形式为P→Q（w）。根据表4，我们可以得到一个展望值的频率表。基于频率表，可以计算每个候选规则的相对频率，如表5所示。每个候选规则根据ARk中的当前规则集进行评估。这 一步骤的完成情况见表6。这就完成了顺序覆盖算法中第一次通过内部循环的过程。由于还有一个未覆盖的剩余实例，另一个步骤是5http://storm.cis.fordham.edu/gweiss/data-mining/weka-data/weather.ar48R.L. Stange等人/理论计算机科学电子笔记342（2019）39ID观温度湿度风玩？1阳光明媚热高假没有2阳光明媚热高真没有3阴天热高假是的4雨轻度高假是的5雨酷正常假是的6雨酷正常真没有7阴天酷正常真是的8阳光明媚轻度高假没有9阳光明媚酷正常假是的10雨轻度正常假是的11阳光明媚轻度正常真是的12阴天轻度高真是的13阴天热正常假是的14雨轻度高真没有表1天气数据集观温度湿度风玩？阳光明媚热高假没有阴天雨轻度酷正常真是的表2数据集属性及其对应的值。以生成额外的规则。在第一步之后，规则集AR5见表7。当五个候选规则被选择时，规则R5具有最大的相对频率，即w=1。由于达到了最大值，因此该规则的学习过程完成。因此，不需要自适应函数来提高规则性能。此外，属性-值对outlook = overcrow的所有四个实例都将从训练集中删除。R.L. Stange等人/理论计算机科学电子笔记342（2019）3949使用信息增益对属性进行排序。属性Outlook的频率。输入相对频率r1：（桑尼，？、、怎么样？，？） →是fr= 0。4r2：（桑尼，？、、怎么样？，？） →无fr= 0。6r3：（雨，？、、怎么样？，？） →是fr= 0。6r4：（雨，？、、怎么样？，？） →无fr= 0。4r5：（阴天，？、、怎么样？，？） →是fr= 1。0表5属性outlook的候选规则。4.2第二步通过循环计算每个属性值（湿度）的频率。然后计算所有候选规则的根据表8，我们可以获得湿度值的频率表。基于频率表，可以计算每个候选规则的相对频率，如表9所示。每个候选规则根据当前规则集ARk进行评估。该 步 骤 的概要见表10。在第二步之后，规则集AR10如表11中所述。与前一步类似，规则R1和R2具有最大相对频率，因此这些规则的学习过程完成。所有未被它们覆盖的实例都将从训练集中删除注意R4和R6是排名属性增益1观0.24672湿度0.15183大风0.04814温度0.0292表3阳光明媚阴雨玩？24 3是的30 2没有54 5总表450R.L. Stange等人/理论计算机科学电子笔记342（2019）39我们的 规则集，步骤1。表8外观/湿度属性的频率目前违反规则。4.3第三步通过循环。计算每个属性值（风）的频率。然后计算所有候选规则的根据表12，我们可以获得湿度值的频率表基于频率表，可以计算每个候选规则的相对频率，如表13所示。每个候选规则根据当前规则集ARk进行评估。 该步骤如表14所示。结果规则集AR13如表15所示。 当所有规则都达到w = 1时。0，RJEvaLU aTE（rj）行动更新ARkR1规则←nulladdR1←r1AR0→AR1R2规则←nulladdR2←r2AR1→AR2R3规则←null添加R3←R3AR2→AR3R4规则←null添加R4←R4AR3→AR4R5规则←null添加R5←R5AR4→AR5构建表6ID规则W自适应功能R1（阳光明媚，？、、怎么样？，？） →是的（0.四、[A1]R2（阳光明媚，？、、怎么样？，？） →否（0.六、[A2]R3（雨，？、、怎么样？，？） →是的（0.六、[A3]R4（雨，？、、怎么样？，？） →否（0.四、[A4]R5（阴天，？、、怎么样？，？） →是的（1. 0个）null表7步骤1之后的规则集AR5晴/高温晴朗/正常小雨/多云雨/正常玩？R.L. Stange等人/理论计算机科学电子笔记342（2019）3951输入相对频率r1：（桑尼，？，高，？） →无fr= 1。0r2：（桑尼，？，正常，？） →是fr= 1。0r3：（雨，？，高，？） →是fr= 0。7r4：（雨，？，高，？） →无fr= 0。3r5：（雨，？，正常，？） →无fr= 0。5r6：（雨，？，正常，？） →是fr= 0。5表9属性湿度的候选规则。RJEvaLU aTE（rj）行动更新ARkR1规则←R2应用[A2]和R2←r1AR5→AR6R2规则←R1应用[A1]和R1←r2AR6→AR7R3规则←R3应用[A3]和R3←r3AR7→AR8R4规则←R4fr≤w，什么都不要做−R5规则←R4应用R4←R5AR8→AR9R6规则←null添加R6←R5AR9→AR10表10构建规则集，步骤2。ID规则W自适应功能R1（阳光明媚，？，正常，？）→是的（1，0）nullR2（阳光明媚，？，高，？）→否（1，0）nullR3（雨，？，高，？）→是的（0，7）[A3]R4（雨，？，正常，？）→否（0，[A4]52R.L. Stange等人/理论计算机科学电子笔记342（2019）395）R5（阴天，？、、怎么样？，？） →是的（1.0个）nullR6（雨，？，正常，？）→是的（0，5）[A6]表11规则集AR10在步骤2之后。R.L. Stange等人/理论计算机科学电子笔记342（2019）3953小雨/多云/错误小雨/多云/True雨/正常/错误雨/正常/True玩？0110是的1001没有1111总表12外观/湿度/风属性的频率输入相对频率r1：（雨，？，高，假）→是fr= 1。0r2：（雨，？，高，真）→否fr= 1。0r3：（雨，？，正常，假）→是fr= 1。0r4：（雨，？，正常，真）→否fr= 1。0表13属性风的候选规则。rjEvaLU aTE（rj）ActionUpdateARkr1规则<$R3应用[A3]和R3<$r1AR10→AR11r2规则<$nulladdR7<$r2AR11→AR12r3规则<$R6应用[A6]和R6<$r3AR12→AR13r4规则<$R4应用[A4]和R4<$r4AR13→AR14表14构建规则集，步骤3。这意味着来自训练集（表1）的所有样本都被覆盖，因此不需要另一次迭代。该算法主要集中在最大限度地提高规则的准确性，即使发现的规则覆盖一个样本的训练数据。需要进一步研究潜在的数据是否适合大型规则集。5最后发言提出了一种规则推理自适应学习算法的定义方法。我们的方法是基于传统的顺序覆盖策略的修改，以适应在学习过程中获得的知识研究表明，自适应技术赋予了更充分的规则，54R.L. Stange等人/理论计算机科学电子笔记342（2019）39ID规则W自适应功能R1（阳光明媚，？，正常，？）→是（1，0）nullR2（阳光明媚，？，高，？） →否（1，0）nullR3（雨，？，高，假）→是（1.0个）nullR4（雨，？、高、真）→否（1.0个）nullR5（阴天，？、、怎么样？，？）→是（1.0个）nullR6（雨，？、正常、假）→是（1.0个）nullR7（雨，？、正常、真）→否（1.0个）null表15设定规则AR13安装。 其他优势值得注意：• 规则生成的简单性，其中仅计算单个性能度量以确定规则重要性，• 用于决策制定的可理解的规则集，特别是对于需要立即解释的领域，例如医疗应用，以及• 紧凑和高效的模型表示，使得规则集的增长或减少由在构造时间期间对自适应函数的调用决定为了改进我们的建议以及当前的自适应算法，我们编制了一份功能和增强功能列表，如下所示，将在不久的将来考虑：• 候选规则的搜索空间缩减。当考虑大维度数据集时，候选规则的数量可能会显着增加，从而对某些应用程序施加操作限制。一个潜在的基于搜索空间的机制可以更好地处理巨大的数据集。• 数值属性处理和对噪声数据集的支持。 当数据集包含不完整的属性和缺失值时，它被称为噪声数据集。处理和潜在地预测部分信息的完整性的方法可能提供更好的模型收敛。此外，该算法还必须给出一种离散化策略来覆盖连续域中的属性R.L. Stange等人/理论计算机科学电子笔记342（2019）3955• 冲突规则的解决策略。该算法必须提供一种策略来解决规则集中的冲突，例如，采用具有最大链接频率的类标签作为决策标准。• 决胜局机制。算法必须提供一种机制来决定当两个规则具有相同的频率时，是否应该用另一个规则来替换。56R.L. Stange等人/理论计算机科学电子笔记342（2019）39• 修剪支持。作为一种手段，以避免快速增长的非必要的候选规则（导致不可避免的组合爆炸），该算法必须支持剪枝方法，以保持规则集基数在一个可接受的数字。为了验证模型的准确性，我们正在与其他顺序覆盖算法进行对比实验。Proximity，我们的目标是研究算法的适应性时，新的例子，以及在某些情况然而，初步结果表明，准确性有了显著提高，规则集也更容易理解。自适应性是规则学习中一个值得探讨的有趣现象，因为随着时间的推移，规则集的构建过程可能会适应新的上下文引用[1] Alpaydin，E.，[2] Berka ， P. 和 J. Rauch ， Machine learning and association rules ， in ： Proceedings of the 19thInternational Conference on Computational Statistics，2010。[3] 毕晓普角M.，[4] Cendrowska，J.，PRISM：An algorithm for inducing modular rules，International Journal of Man-Machine Studies27（1987），pp. 349-370[5] Clark，P. and T. Niblett，cn2归纳算法，机器学习3（1989），pp. 261-283。[6] Costa，E. R.，A. R. Hirakawa和J.J.Neto，句法模式识别的自适应替代方案，在：第三届国际机器人与自动化研讨会论文集，ISRA 2002，2002，pp. 409-413.[7] 多伊湾T. M.，D. F. Souza和R.G. Jankauskas，Aocr：自适应光学字符识别，在：Quarto Workshop de Tecnologia Adaptativa五五开[8] Elgibreen，H. A.和M. S. Aksoy，Rules-TL：一种用于不完整和大数据，Journal of Theoretical andApplied Information Technology47（2013），pp.28比40[9] Fürnkranz，J.，Separate-and-conquer rule learning，Arti ficial Intelligence Review13（1999），pp.3-54[10] Ganzeli，H.美国，J. G.博泰西尼湖O. Paz和M. F. S. Ribeiro，Skan：Skin scanner，software para oreconhecimento de câncer de pele utilizando técnicas adaptativas，in：Quarto Workshop de TecnologiaAdaptativa-WTA22比28[11] Hirakawa，A. R.，A. M. Saraiva和C. E. Cugnasca，Autômatos adaptativos aplicados em automaçãoe robótica，IEEE Latin America5（2007），pp.539-543.[12] 米哈尔斯基河美国，关于一般覆盖问题的拟极小解，见：第五届信息处理国际研讨会，南斯拉夫，布莱德，1969年，pp.125-128[13] 米切尔，T.，[14] Neto，J. J.，用自适应自动机解决复杂问题。Yu和A.陈文，自动机的实现与应用，计算机科学2000年第5届国际会议讲义[15] Neto，J.J.，自适应规则驱动的设备：一般公式和案例研究，在：B。沃森和D. Wood，编辑，自动机的实现和应用第6届国际会议，计算机科学讲义2494，2001年，第104页。234-250[16] Pistori ， H. J. J. Neto ， Adaptree ： Proposta de um algoritmo para indução de Árvores de decisãobaseado em técnicas adaptativas，in：Anais da Conferência Latino Americana de Informática[17] Pistori，H.和J.J. Neto，An experiment on handshape sign recognition using adaptive technology：Preliminary results，in：XVII Brazilian Symposium on Arti ficial IntelligenceR.L. Stange等人/理论计算机科学电子笔记342（2019）3957[18] Quinlan，J.R.，决策树的归纳，机器学习1（1986），pp。81比106[19] Stahl，F.和M. Bramer，Random prism：An alternative to random forests，in：Research andDevelopment in Intelligent Systems XXVIII，Springer London，2011 pp.5比18[20] 斯坦格河L.和J.J.Neto，在机器学习中应用自适应技术，IEEE拉丁美洲12（2014），pp. 公元1298-1306年。[21] 斯坦格河L.和J. J. Neto，使用自适应技术学习决策规则：基于顺序覆盖的混合方法，ProcediaComputer Science109（2017），pp. 1188-1193年。[22] Thabtah，F.，I. Qabajeh和F. Chiclana，约束动态规则归纳学习，专家系统与应用63（2016），pp。74比85[23] 威滕岛H、E.弗兰克和M. A. Hall，