RegellernenEs handelt sich um eine Regel, mit der sich bisher unbekannte Beispiele unterscheiden lassen. Es wird normalerweise durch Lernen aus einem Trainingsdatensatz gewonnen. Normalerweise handelt es sich dabei um eine WENN-DANN-Regel, eine Art unüberwachtes Lernen, und wird oft als eine Art Klassifizierung bezeichnet.

Regeln beim Regellernen

Regeln: Sie verfügen über eine klare Semantik und können die objektiven Gesetze oder Domänenkonzepte beschreiben, die sich aus der Datenverteilung ergeben.

Es gibt zwei Arten von Regeln für das Regellernen:

• Propositionale Regel

Ein einfacher Aussagesatz, bestehend aus „atomaren Propositionen“ und logischen Konnektoren „und, oder, nicht, und“.

Beispiele:

Regel 1: (lebendgebärend = nein) ∧ (können fliegen = ja) → Vögel

Regel 2: (lebendgebärend = nein) ∧ (im Wasser lebend = ja) → Fisch

• Regel erster Ordnung

Im Gegensatz zu Aussagenregeln, die sich nur mit einfachen Aussagesätzen befassen, umfasst die Prädikatenlogik erster Stufe zusätzlich Behauptungen und Quantifizierungen. Regeln erster Ordnung können komplexe Beziehungen ausdrücken und werden auch relationale Regeln genannt.

Methoden zur Regelgenerierung

• Direkte Methode: Regeln direkt aus dem Trainingssatz ableiten;
• Indirekte Methode: Konvertierung aus dem Entscheidungsbaum.

Der Zweck des Regellernens

Das Ziel des Regellernens besteht darin, einen Regelsatz zu generieren, der möglichst viele Beispiele abdecken kann. Ein häufig verwendeter Ansatz ist die sequentielle Abdeckung. Bevor eine neue Regel im Trainingssatz gelernt wird, werden die Trainingsbeispiele der Regel abgedeckt, und die verbleibenden Trainingsbeispiele bilden einen Trainingssatz und wiederholen den obigen Vorgang.

Da jeweils nur ein Teil der Daten verarbeitet wird, wird dieser Ansatz auch als „Teile-und-herrsche“-Strategie bezeichnet.