معیارها در سیستم‌های دسته‌بند یادگیری

سیستم‌های دسته‌بند یادگیری (LCS) نوعی از روش‌های یادگیری ماشینی مبتنی بر قانون هستند که یک جزء کشف را با یک جزء یادگیری ترکیب می‌کنند [۱].

هدف LCS شناسایی مجموعه‌ای از قوانین وابسته به زمینه است که به طور جمعی دانش را به صورت تکه‌ای ذخیره و به کار می‌برند تا پیش بینی کنند [۱].

مؤلفه یادگیری LCS می‌تواند یادگیری تحت نظارت، یادگیری تقویتی یا یادگیری بدون نظارت را انجام دهد [۱].

در LCS، قوانین به صورت جفت شرط-عمل نشان داده می‌شوند، که در آن شرط مجموعه‌ای از ویژگی‌هایی است که ورودی را توصیف می‌کند، و عمل، خروجی است [۲].

قوانین در یک جمعیت ذخیره می‌شوند و جمعیت در طول زمان از طریق یک الگوریتم ژنتیک تکامل می‌یابد [۲].

الگوریتم ژنتیک مناسب‌ترین قوانین را انتخاب می‌کند و آنها را برای ایجاد قوانین جدید ترکیب می‌کند [۲].

برای اندازه‌گیری عملکرد یک LCS می‌توان از معیارهای مختلفی استفاده کرد. این معیارها را می‌توان به دو دسته تقسیم کرد: معیارهای قواعد فردی و معیارهای وضعیت جمعیت [۳].

معیارهای قواعد فردی کیفیت هر قانون را ارزیابی می‌کنند، در حالی که معیارهای وضعیت جمعیت عملکرد کلی جامعه را ارزیابی می‌کنند [۳].

برخی از نمونه‌های معیارهای وضعیت جمعیت عبارتند از دقت، پوشش و تنوع [۳].

دقت درصد پیش‌بینی‌های صحیح انجام‌شده توسط جمعیت را اندازه‌گیری می‌کند، پوشش درصد الگوهای ورودی را که توسط جمعیت پوشش داده می‌شود، و تنوع درجه تنوع بین قوانین را در جامعه اندازه‌گیری می‌کند [۳].

1. Learning classifier system - Wikipedia

2. Classifier Systems | SpringerLink

3. What should a classifier system learn and how should we measure it? - ResearchGate