机器学习.周志华《15 规则学习 》

基本概念

规则学习概念：机器学习中的规则（rule）通常是指语义明确、能描述数据分布所隐含的客观规律或领域概念、可写成"若…则…"形式的逻辑规则。规则学习（rulelearning）是从训练数据中学习出一组能用于对未见示例进行判别的规则。

形式化定义规则

• 左侧称为规则头
• 右侧称为规则体
• L为规则的长度
• 又叫if-then规则

规则冲突

冲突定义：一个示例被判别结果不同的多条规则覆盖；

解决方法：

• 投票法：判别相同的规则数最多的结果作为最终结果
• 排序法：在规则集合上定义一个顺序->带序规则学习/优先级规则学习
• 元规则法：定义关于规则的规则（元规则）来指导使用规则集

规则分类

• 命题规则：原子命题+逻辑连接词
• 一阶规则：原子公式，谓词、量词

一阶规则比（逻辑规则）强很多，能表达复杂的关系，称为关系型规则，其语义层面与人类的语义层面一致。

序贯覆盖

规则学习的目标：参数一个能覆盖尽可能多的样例的规则集，最直接的方法“序贯覆盖”（逐条归纳）：在训练集上每学到一条规则，就将该规则覆盖的训练样例去除，然后以剩下的训练样例组成训练集重复上述过程。由于每次只处理一部分数据，因此也称为分治（separate-and-conquer）策略。

关键：如何从训练集学出单条规则

学习规则的方法

基于穷尽搜索的方法

从空规则开始，将正例类别作为规则头，逐个遍历训练集中的每个属性及取值。\ 
在属性和候选值较多时会存在组合爆炸的问题。

自顶向下

• 从比较一般的规则开始，逐条添加新文字以缩小规则覆盖范围
• 生成-测试法
• 规则逐渐特化
• 覆盖范围从大到小
• 对噪声的鲁棒性较强，适用于命题规则学习
• 先考虑规则的准确性，然后考虑覆盖的样本数，然后考虑属性次序等等

自底向上

• 从比较特殊的规则开始，逐渐删除文字以扩大规则覆盖范围
• 数据驱动法
• 规则逐渐泛化
• 适合于训练样本较少
• 适用于假设空间较复杂的任务，如一阶规则学习

评价规则优劣的标准（根据具体任务情况设计适当的标准）：

以书中西瓜集合为例：

1、先考虑规则准确率（准确率=n/m。n：规则覆盖的正例数，m：覆盖的样例总数）
 
2、准确率相同时，考虑覆盖样例数，
 
3、准确率、覆盖样例数都相同时考虑属性次序。

剪枝优化

规则生成本质上是一个贪心搜索过程，需要一定的机制来缓解过拟合的风险，最常见的做法是剪枝（pruning）。

• 预剪枝：剪枝可发生在规则生长过程中；
• 后剪枝：也可发生在规则产生后；

通常是基于某种性能度量指标来评估增/删逻辑文字前后的规则性能，或增/删规则前后的规则集性能，从而判断是否要进行剪枝。

统计显著性检验

CN2——似然率统计量LRS，采用集束搜索，最早考虑过拟合的规则学习方法。

• LRS越大，采用规则集进行预测与直接使用训练集正、反例比例进行猜测的差别越大。
• LRS越小，规则集的效果越可能是偶然现象。

后剪枝

减错剪枝REP

• 一次训练集学习规则集R
  
• 多轮剪枝：每轮穷举所有可能的简直操作，然后用验证集对剪枝产生的所有候选规则集进行评估，保留最好者
• 循环多次
• 设训练样本数为m，时间复杂度O(m4)
  

IREP(Incremental REP)

• 在REP上改进
• 每次生成一条规则r立即在验证集上进行剪枝得到规则r′，并将覆盖样例去除
• 时间复杂度O(mlog2m)
  

RIPPER(预剪枝+后处理优化）

1. 使用IREP*剪枝机制生成规则集R
   
2. 对r∈R，生成： 
   
   • r′：基于r的覆盖样例，通过IREP*生成的替换规则
   • r′′：对r增加文字进行特化，然后IREP*生成的修订规则
3. 将原规则集(r)和新规则（替换为r'和r'')分别进行评估，留下最好的
4. 循环上述过程

一阶规则学习

命题规则学习的缺陷：难以处理对象之间的关系。

引入领域知识

• 属性重构：在现有属性基础上构造新的属性
• 函数约束：基于领域知识设计某种函数机制约束假设空间

First-Order Inductive Learner（FOIL）

• 遵循序贯覆盖，采用自顶向下（泛化到特化的过程）的规则归纳策略；

FOIL增益

• m^+和m^-分别表示增加候选文字后新规则所覆盖的正负样本数
• m+和m-分别表示原本规则所覆盖的正负样本数
• 因为关系数据中的不平衡性，仅考虑正例的信息量

FOIL可以被看做是命题规则学习和归纳逻辑程序设计之间的过渡，但其自顶向下的规则生成过程不支持嵌套，所以表达能力仍有不足。

归纳逻辑程序设计（Inductive Logic Programming，ILP）

• 目标：完备的学习一阶规则
• 自底向上——特化到泛化的过程，每次学习单条规则
• 与普通一阶规则学习相比引入了函数和逻辑表达式的嵌套

最小一般泛化（Least General Generalization，LGG）

• 给定一阶公式r1和r2
  
• 找出涉及相同谓词的文字
• 常量替换 
  
  • 在两个公式中出现位置相同——保持
  • 不同则将它们替换为同一个新变量
• 忽略两条公式中不含共同谓词的文字
• R(elative)LGG：初始规则选择方法，考虑所有背景知识。

逆归结

演绎（Deduction）和归纳（Induction）

• 演绎：从一般性规律出发来探讨具体事物（对应特化）
• 归纳：从个别事物出发概括出一般性规律（对应泛化）

归结和逆归结

• 归结：将貌似复杂的逻辑规则与背景知识联系起来化繁为简
• 逆归结：基于背景知识发明新的概念和关系

逆归结形式化定义

逆归结的四种操作

（×）一阶逻辑中利用合一操作搜索互补项：自动发明新谓词

思维导图

转载自：https://blog.csdn.net/liuyan20062010/article/details/72842021