Algoritmo de aprendizaje inductivo – Part 1

El algoritmo de aprendizaje inductivo (ILA) es un algoritmo de aprendizaje automático iterativo e inductivo que se utiliza para generar un conjunto de una regla de clasificación, que produce reglas de la forma «SI-ENTONCES», para un conjunto de ejemplos, produciendo reglas en cada iteración y agregando al conjunto de reglas. Idea básica:Básicamente, existen dos métodos para la extracción de conocimiento, primero de expertos en el dominio y luego con aprendizaje automático. Para una cantidad muy grande de datos, los expertos de dominio no son muy útiles y confiables. Así que nos movemos hacia el enfoque de aprendizaje automático para este trabajo. Para usar el aprendizaje automático Un método es replicar la lógica de los expertos en forma de algoritmos, pero este trabajo es muy tedioso, lento y costoso. Así que avanzamos hacia los algoritmos inductivos que en sí mismos generan la estrategia para realizar una tarea y no necesitan instruir por separado en cada paso. Necesidad de ILA en presencia de otros algoritmos de aprendizaje automático: ILA es un nuevo algoritmo que se necesitaba incluso cuando estaban disponibles otros aprendizajes de refuerzo como ID3 y AQ.

• La necesidad se debió a los escollos que estaban presentes en los algoritmos anteriores, uno de los escollos principales fue la falta de generalización de las reglas.
• ID3 y AQ utilizaron el método de producción del árbol de decisiones, que era demasiado específico, por lo que era difícil de analizar y era muy lento para realizar problemas básicos de clasificación breve.
• El algoritmo basado en el árbol de decisión no pudo funcionar para un problema nuevo si faltaban algunos atributos.
• La ILA utiliza el método de producción de un conjunto general de reglas en lugar de árboles de decisión, que superan los problemas anteriores.

EL ALGORITMO ILA: Requisitos generales al inicio del algoritmo: –

1. liste los ejemplos en forma de una tabla ‘T’ donde cada fila corresponde a un ejemplo y cada columna contiene un valor de atributo.
2. cree un conjunto de m ejemplos de entrenamiento, cada ejemplo compuesto por k atributos y un atributo de clase con n decisiones posibles.
3. cree un conjunto de reglas, R, que tenga el valor inicial falso.
4. inicialmente todas las filas de la tabla están sin marcar.

Pasos en el algoritmo:- Paso 1: dividir la tabla ‘T’ que contiene m ejemplos en n subtablas (t1, t2,…..tn). Una tabla para cada valor posible del atributo de clase. (repita los pasos 2 a 8 para cada subtabla) Paso 2: Inicialice el recuento de combinación de atributos ‘ j ‘ = 1. Paso 3: Para la subtabla en la que se está trabajando, divida la lista de atributos en distintas combinaciones, cada una combinación con ‘j’ atributos distintos. Paso 4:Para cada combinación de atributos, cuente el número de ocurrencias de valores de atributo que aparecen bajo la misma combinación de atributos en filas sin marcar de la subtabla bajo consideración y, al mismo tiempo, no aparecen bajo la misma combinación de atributos de otra subtabla. -mesas. Llame a la primera combinación con el número máximo de ocurrencias max-combination ‘MAX’. Paso 5: Si ‘MAX’ = = null , aumente ‘ j ‘ en 1 y vaya al Paso 3. Paso 6: Marque todas las filas de la subtabla donde se trabaja, en las que aparecen los valores de ‘MAX’, como clasificados. Paso 7:Agregue una regla (SI atributo = “XYZ” –> ENTONCES la decisión es SÍ/NO) a R cuyo lado izquierdo tendrá los nombres de atributo de ‘MAX’ con sus valores separados por AND, y su lado derecho contiene el valor de atributo de decisión asociado con la subtabla. Paso 8: si todas las filas están marcadas como clasificadas, continúe para procesar otra subtabla y vaya al Paso 2. De lo contrario, vaya al Paso 4. Si no hay subtablas disponibles, salga con el conjunto de reglas obtenido hasta ese momento. . Un ejemplo que muestra el uso de ILA supongamos un conjunto de ejemplos que tiene atributos Tipo de lugar, clima, ubicación, decisión y siete ejemplos, nuestra tarea es generar un conjunto de reglas que bajo qué condición es la decisión.

Ejemplo nro.	tipo de lugar	clima	ubicación	decisión
YO )	montañoso	invierno	kullu	Sí
II)	montaña	ventoso	Bombay	No
tercero)	montaña	ventoso	shimla	Sí
IV)	playa	ventoso	Bombay	No
V )	playa	cálido	Ir a	Sí
VI)	playa	ventoso	Ir a	No
VI)	playa	cálido	shimla	Sí

paso 1 subconjunto 1

s.no	tipo de lugar	clima	ubicación	decisión
1	montañoso	invierno	kullu	Sí
2	montaña	ventoso	shimla	Sí
3	playa	cálido	Ir a	Sí
4	playa	cálido	shimla	Sí

subconjunto 2

s.no	tipo de lugar	clima	ubicación	decisión
5	montaña	ventoso	Bombay	No
6	playa	ventoso	Bombay	No
7	playa	ventoso	Ir a	No

paso (2-8) en la iteración 1 fila 3 y 4 columna se selecciona el tiempo y se marcan las filas 3 y 4. la regla se agrega a R SI el clima es cálido, entonces la decisión es sí. en la iteración 2 se selecciona el tipo de lugar de la columna de la fila 1 y se marca la fila 1. la regla se agrega a R SI el tipo de lugar es montañoso, entonces la decisión es sí. en la iteración 3 , se selecciona la ubicación de la columna de la fila 2 y se marca la fila 2. la regla se agrega a R SI la ubicación es Shimla, entonces la decisión es sí. en la iteración 4 , se selecciona la ubicación de la columna de las filas 5 y 6 y se marcan las filas 5 y 6. la regla se agrega a R SI la ubicación es Mumbai, entonces la decisión es no. en la iteración 5se selecciona el tipo de lugar de la columna de la fila 7 y el clima y se marca la fila 7. la regla se agrega a R SI el tipo de lugar es playa Y el clima es ventoso, entonces la decisión es no. finalmente obtenemos el conjunto de reglas: – Conjunto de reglas

• Regla 1: SI el clima es cálido ENTONCES la decisión es sí.
• Regla 2: SI el tipo de lugar es montañoso ENTONCES la decisión es sí.
• Regla 3: SI la ubicación es Shimla ENTONCES la decisión es sí.
• Regla 4: SI la ubicación es Mumbai ENTONCES la decisión es no.
• Regla 5: SI el tipo de lugar es playa Y el clima es ventoso ENTONCES la decisión es no.