Algoritmos para el tratamiento de reglas aprendidas a partir de ejemplos

Abstract

Dado un conjunto de reglas aprendidas a partir de una familia de ejemplos de entrenamiento, en esta tesis se plantea un problema de selección de acuerdo con un criterio de coste. El objetivo es obtener una lista ordenada de reglas en la que no aparecerán algunas de las reglas originales si el papel que desempeñan en la tarea de clasificación puede ser suplido por las otras. Además, se busca un orden para ellas con el que el trabajo de clasificación deseado se realice con la mínima cantidad de recursos en el sentido de los costes dados de antemano. Uno de los principales objetivos de este trabajo es verificar que el problema de ordenación y selección de reglas descrito es esencialmente el mismo que el problema de seleccionar las condiciones o antecedentes que se colocarían en el cuerpo de la regla dada. En realidad ambos problemas son duales, lo que significa que con el mismo algoritmo se pueden resolver los dos. Conforme a esto, también se seleccionan los pares atributo-valor en una regla de clasificación aprendida con la intención de evitar aquellos innecesarios o caros. Una vez que se consiguen seleccionar los antecedentes de la regla y las reglas de una familia para mejorar su rendimiento es posible comenzar desde muy al principio: desde el conjunto de ejemplos de entrenamiento. Así, cada ejemplo se observa como una regla borrador capaz de ser refinada si se eligen los mejores pares atributo-valor de su descripción para convertirla, de esta forma, en una regla razonable. El conjunto de reglas obtenido se optimiza finalmente con nuestro primer algoritmo para elegir un conjunto económico de reglas aprendidas a partir del conjunto de entrenamiento. Esta herramienta de aprendizaje se explica detalladamente y sus resultados se comparan con los de otros algoritmos de aprendizaje automático.