یادگیری ماشینی مبتنی بر قانون

خلاصه

سیستم‌های طبقه‌بندی کننده یادگیری (LCS) یادگیری ماشین را با محاسبات تکاملی و سایر روش‌های اکتشافی ترکیب می‌کنند تا یک سیستم تطبیقی ​​ایجاد کنند که حل یک مشکل خاص را یاد می‌گیرد. LCS ها به طور نزدیک با همان مولفه های الگوریتم ژنتیک (GA) که بیشتر مورد استفاده قرار می گیرد، مرتبط هستند و معمولاً آنها را جذب می کنند. هدف LCS شناسایی بهترین مدل یا راه‌حل واحد نیست، بلکه ایجاد مجموعه‌ای از قوانین یا مدل‌هایی است که با هم کار را حل می‌کنند. راه حل تکامل یافته توسط یک LCS به عنوان جمعیتی از قوانین یا مجموعه قوانین نشان داده می شود که به طور جمعی برای تصمیم گیری/طبقه بندی استفاده می شوند. شماتیک زیر زمینه های مطالعه مرتبط را به صورت درختی سازماندهی می کند که به جامعه تحقیقاتی LCS تغذیه می کند.

محدودیت‌ها 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].

در اینجا برخی از محدودیت‌های LCS وجود دارد:

در دسترس بودن نرم افزار محدود[1]: تعداد محدودی از پیاده سازی های متن باز و قابل دسترسی LCS وجود دارد، و حتی تعداد کمتری نیز وجود دارد که برای کاربر پسند بودن طراحی شده اند [۱].

دشواری کاربرد[2]: کاربرد صحیح LCS نسبت به سایر روش‌های یادگیری ماشین تا حدودی دشوارتر است [۲].

عدم درک نظری[3]: LCS ها فاقد درک نظری قابل مقایسه با سایر روش‌های یادگیری ماشین هستند [۲].

محیط‌های مارکوف[4]: LCS استاندارد هیچ مکانیسم حافظه ای ندارد و فقط می تواند خط مشی بهینه را در محیط های مارکوف بیاموزد، جایی که عملکرد بهینه تنها با وضعیت ورودی حسی فعلی تعیین می‌شود [۳].

محیط‌های جزئی قابل مشاهده[5]: اکثر محیط‌ها محیط‌های نیمه قابل مشاهده بر روی حس عامل هستند که به عنوان محیط‌های غیر مارکوف نیز شناخته می‌شوند [۳].

1. Learning classifier system

2. Rule-Based Machine Learning

3. Learning classifier systems with memory condition to solve ...

---

[1] Limited software availability

[2] Difficulty of application

[3] Lack of theoretical understanding

[4] Markov environments

[5] Partially observable environments