Un sistema de aprendizaje de reglas explicitas mediante la generalización de instancias

Abstract

Se trata de construir un sistema de aprendizaje automático que, a partir de ejemplos de entrenamiento que describen de forma parcial un problema de clasificación, se capaz de obtener un conjunto de reglas clasificadoras con un alto rendimiento. El objetivo principal del algoritmo es lograr una alta capacidad de explicación de las decisiones en la clasificación, par a lo que cual es fundamental que el conjunto de reglas seas compacto, es decir, que se obtengan pocas reglas y con un número de antecedentes pequeño. Las reglas se obtienen tras un proceso iterativo de generalización de observaciones. Partiendo inicialmente de puntos, o ejemplos en el espacio del problema se llegará a obtener un conjunto de reglas que cubran los ejemplos que haya en los alrededores del punto de partida. El mecanismo de generalización se basa en el principio del vecino más próximo, tratando de extender una regla, inicialmente puntual, para que cubra regiones en su vecindad. Las reglas se van a ver dosificadas a lo largo del proceso de inducción en función de los ejemplos presentados más próximos a ellas. Estas modificaciones se harán siguiendo un procedimiento similar a las modificaciones de los mapas autoorganizativos de Kohonen. Lo más destacable de estere proceso es la necesidad de medir distancias entre reglas y ejemplos, problema que no es trivial cuando los atributos son de carácter simbólico. Inner pretende utilizar una aproximación en la que la forma de medir distancias entre atributos simbólicos se aprenda durante el proceso de inducción de reglas.