归纳学习算法

归纳学习算法 (ILA) 是一种迭代和归纳机器学习算法，用于生成一组分类规则，生成“IF-THEN”形式的规则，对于一组示例，在每次迭代时生成规则和附加到规则集。

基本理念：
基本上有两种方法可以从领域专家那里提取知识，然后是机器学习。

对于非常大量的数据，领域专家并不是非常有用和可靠。所以我们转向机器学习方法来完成这项工作。

使用机器学习一种方法是以算法的形式复制专家逻辑，但这项工作非常繁琐、耗时且昂贵。

所以我们转向归纳算法，它本身生成执行任务的策略，不需要在每一步单独进行指导。

在存在其他机器学习算法的情况下需要 ILA：
ILA 是一种新算法，即使在其他强化学习（如 ID3 和 AQ）可用时也需要它。

ILA 算法：

算法开始时的一般要求：-

算法步骤：-

第1步：
将包含 m 个示例的表 'T' 划分为 n 个子表 (t1, t2,.....tn)。类属性的每个可能值对应一张表。（对每个子表重复步骤 2-8）

第2步：
初始化属性组合计数 'j' = 1。

第 3 步：
对于正在进行工作的子表，将属性列表划分为不同的组合，每个组合具有 'j' 个不同的属性。

第四步：
对于每个属性组合，统计在考虑的子表的未标记行中同一属性组合下出现的属性值，同时未出现在其他子表的相同属性组合下的属性值的出现次数。 -表。将出现次数最多的第一个组合称为最大组合“MAX”。

第 5 步：
如果 'MAX' == null ，则将 ' j ' 增加 1 并转到步骤 3。

第 6 步：
将子表中出现“MAX”值的所有行标记为已分类。

第 7 步：
向 R 添加一条规则（IF 属性 = “XYZ” –> THEN 决策是 YES/NO），其左侧将具有 'MAX' 的属性名称，它们的值由 AND 分隔，其右侧包含与子表关联的决策属性值。

第 8 步：
如果所有行都被标记为已分类，则继续处理另一个子表并转到步骤 2。否则，转到步骤 4。如果没有可用的子表，则退出到那时获得的规则集。

显示使用 ILA 的示例
假设一个示例集具有地点类型、天气、位置、决策和七个示例属性，我们的任务是生成一组规则，在什么条件下什么是决策。

Example no.	Place type	weather	location	decision
I )	hilly	winter	kullu	Yes
II )	mountain	windy	Mumbai	No
III )	mountain	windy	Shimla	Yes
IV )	beach	windy	Mumbai	No
V )	beach	warm	goa	Yes
VI )	beach	windy	goa	No
VII )	beach	warm	Shimla	Yes

第1步

子集 1

s.no	place type	weather	location	decision
1	hilly	winter	kullu	Yes
2	mountain	windy	Shimla	Yes
3	beach	warm	goa	Yes
4	beach	warm	Shimla	Yes

子集2

s.no	place type	weather	location	decision
5	mountain	windy	Mumbai	No
6	beach	windy	Mumbai	No
7	beach	windy	goa	No

步骤 (2-8)

在迭代 1

选择第 3 行和第 4 行天气并标记第 3 行和第 4 行。
规则被添加到 R 如果天气温暖，那么决定是肯定的。

在迭代 2

选择第 1 行列位置类型并标记第 1 行。
规则被添加到 R 如果地方类型是丘陵那么决定是。

在迭代 3

选择第 2 行列位置并标记第 2 行。
规则被添加到 R IF 位置是 Shimla 然后决定是。

在迭代 4

选择第 5 行和第 6 行列位置并标记第 5 行和第 6 行。
规则被添加到 R 如果位置是孟买，那么决定是否定的。

在迭代 5

第 7 行列位置类型和天气被选中，第 7 行被标记。
规则被添加到 R IF 地方类型是海滩并且天气有风，那么决定是否定的。

最后我们得到了规则集：-

规则集