Advertisement

Effizientes Lernen und Bewerten von Regeln

Langpapier zum Themenbereich “Maschinelles Lernen”
  • Thomas Koch
Conference paper
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 181)

Zusammenfassung

Es wird ein neues Lernverfahren vorgestellt, das aus einer gegebenen Menge von Objektinstanzen (Muster, komplexe Datenrecords) Regeln ableitet und deren Qualität bewertet. Die Regeln sollen semantische Zusammenhänge zwischen einzelnen Attributwerten beschreiben. Das dargestellte Lernverfahren besteht aus 3 Phasen. Zuerst werden für eine Menge von Attributen Regelhypothesen generiert. Diese werden anschließend mit einem Bewertungsverfahren bewertet, wobei die Regelhypothesen, deren Bewertung vorgegebene Schwellenwerte überschreiten, in einer Wissensbasis abgespeichert werden. Verringert sich die Bewertung aufgrund neuer Instanzen, so wird in der dritten Phase versucht, durch Verfeinerung der Regel eine höhere Bewertung zu erreichen. Die Bewertung einer Regel besteht aus drei, auf einfachen statistischen Analsyen basierenden Größen: Sicherheit πΩ Spezialisierung σΩ und Allgemeinheit σΩ. Dabei müssen die Instanzen, mit denen die Regeln gelernt wurden, nicht aufgehoben werden, sondern nur bestimmte Statistiken. Auf der Grundlage dieser Statistiken kann das Verfahren mit neuen Lerninstanzen inkrementeil weiterlernen. Der Ausgangs - oder Wahrscheinlichkeitsraum, über dem die Bewertungen definiert sind, kann dabei dynamisch erweitert werden, was für einen inkrementellen Lernprozeß notwendig ist. Es können dabei auch zusammengesetzte Regeln bewertet werden, wobei das Verfahren wesentlich effizienter als vorhandene ist (lineare anstelle exponentieller Speicherplatzkomplexität).

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    P. Clark und T. Niblett, “Learning If Then Rules in Noisy Domains“, AI Methods in Statistics London Buisness School, 16/17.12.86 S. 84–97Google Scholar
  2. [2]
    L.-M. Fu und B.G. Buchanan, “Inductive Knowledge Acquisition for Rule-Based Expert Systems”, Department of Computer Science Stanford, Report No. KSL-85-42, Oktober 85Google Scholar
  3. [3]
    J.R. Quinlan, The Effect of Noise on Concept Learning, in Machine Learning Vol. 2, Morgan Kaufmann, S. 149–166, 1986Google Scholar
  4. [4]
    A. Bundy, B. Silver und D. Plunner, “An Analytical Comparison of Some Rule-Learning Programs”, Artificial Intelligence, Vol. 27, S. 137–181, 1985zbMATHCrossRefGoogle Scholar
  5. [5]
    S.A. Schmitt, Measuring Uncertainty, Addison-Wesley, 1969zbMATHGoogle Scholar
  6. [6]
    J. Gordon und E.H. Shortliffe, “A Method for Managing Evidential Reasoning in a Hierachical Hypothesis Space”, Artificial Intelligence, Vol. 26, S. 323–357, 1985MathSciNetzbMATHCrossRefGoogle Scholar
  7. [7]
    G. Shafer und R. Logan, “Implementing Dempster‘s Rule for Hierarchical Evidence”, Artificial Intelligence, Vol. 33, S. 271–298, 1987MathSciNetzbMATHCrossRefGoogle Scholar
  8. [8]
    A. Bundy, “Incidence Calculus: A Mechanism for Probabilistic Reasoning”, Journal of Automated Reasoning, Vol. 1, S. 263–283, 1985MathSciNetzbMATHCrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1988

Authors and Affiliations

  • Thomas Koch
    • 1
  1. 1.GMD Birlinghoven Projekt AiDSankt AugustinDeutschland

Personalised recommendations