Aprendizaje automático basado en reglas - Rule-based machine learning

El aprendizaje automático basado en reglas (RBML) es un término en ciencias de la computación destinado a abarcar cualquier método de aprendizaje automático que identifique, aprenda o desarrolle 'reglas' para almacenar, manipular o aplicar. La característica definitoria de un aprendiz automático basado en reglas es la identificación y utilización de un conjunto de reglas relacionales que representan colectivamente el conocimiento capturado por el sistema. Esto contrasta con otros aprendices de máquina que comúnmente identifican un modelo singular que se puede aplicar universalmente a cualquier instancia para hacer una predicción.

Enfoques de aprendizaje de máquina basados en reglas incluyen los sistemas de aprendizaje de clasificadores , reglas de asociación , los sistemas inmunológicos artificiales , y cualquier otro método que se basa en un conjunto de reglas, cada conocimiento contextual que cubre.

Si bien el aprendizaje automático basado en reglas es conceptualmente un tipo de sistema basado en reglas, es distinto de los sistemas tradicionales basados ​​en reglas , que a menudo son hechos a mano, y de otros tomadores de decisiones basados ​​en reglas. Esto se debe a que el aprendizaje automático basado en reglas aplica algún tipo de algoritmo de aprendizaje para identificar automáticamente reglas útiles, en lugar de que un ser humano necesite aplicar conocimientos de dominio previos para construir reglas manualmente y seleccionar un conjunto de reglas.

Reglas

Las reglas generalmente toman la forma de una ' {SI: ENTONCES} expresión' , (por ejemplo, { SI 'condición' ENTONCES 'resultado'}, o como un ejemplo más específico, {SI 'rojo' Y 'octágono' ENTONCES 'señal de stop } ). Una regla individual no es en sí misma un modelo, ya que la regla solo es aplicable cuando se cumple su condición. Por lo tanto, los métodos de aprendizaje automático basados ​​en reglas generalmente comprenden un conjunto de reglas, o una base de conocimientos , que componen colectivamente el modelo de predicción.

Ver también

Referencias