Aprendizaje maquinal multivalores Public Deposited
Entre más grande sea la base de conocimientos, es más probable que la hipótesis final esté construida con más cláusulas, por lo tanto es más difícil de interpretar. De este inconveniente nace la necesidad de crear nuevas cláusulas que permitan crear hipótesis con menos cláusulas, que además aporten información, que a pesar de estar contenida en el conocimiento previo, no es utilizada en el proceso de aprendizaje de los algoritmos de ILP. Para ello proponemos el siguiente método de cuatro pasos: •Extracción de información contenida en el conocimiento previo de cada problema ILP. Para ello se utilizarán algoritmos inductores de árboles de decisión. •Con la información obtenida en el paso anterior se crearán nuevas cláusulas (cuyos atributos presenten más de un valor a la vez). •Las nuevas cláusulas se añadirán al conocimiento previo del problema ILP correspondiente, de manera que estas cláusulas serán utilizadas, por cada algoritmo ILP, en el proceso de aprendizaje. •Aprendizaje y análisis. Después de añadir las nuevas cláusulas al conocimiento previo decada problema ILP, se realizará la ejecución de algoritmos de ILP de manera que al final se comprobará si efectivamente con estas nuevas cláusulas es posible crear hipótesis con menos cláusulas. De los tres elementos con los que podemos describir a un aprendiz, en este documento trabajamos sobre el espacio de búsqueda, ya que lo enriquecemos con información obtenida con algoritmos inductores de árboles de decisión. Esto permite realizar aprendizaje multivalores en ILP, ya que las cláusulas añadidas al conocimiento previo permiten utilizar un conjunto devalores por cada atributo elegido.
El aprendizaje puede ser visto como la búsqueda de aquella hipótesis que satisfaga ciertos criterios de calidad (p.e. que sea consistente) [12]. Dicha búsqueda es realizada por un aprendiz, el cual puede describirse a partir de tres elementos muy importantes: el espacio de búsqueda, la estrategia de búsqueda y la heurística de búsqueda. De los tres elementos anteriores el espacio de búsqueda es el conjunto de hipótesis donde el aprendiz realiza su búsqueda. En programación lógica inductiva (ILP) está determinado por el lenguaje de los programas lógicos, es decir por la lógica de primer orden. En el caso de los árboles de decisión el lenguaje es el de la lógica proposicional. Por otro lado el prejuicio de lenguaje en ILP es el conjunto de restricciones que determinan la forma sintáctica de las hipótesis que pueden formar parte del espacio de búsqueda. Si el prejuicio es muy fuerte entonces el espacio de búsqueda se hace más pequeño y la búsqueda más eficiente, sin embargo entre más restricciones se usen para formar las hipótesis es más probable que la hipótesis final no represente una solución adecuada para la relación objetivo. Por ejemplo si el prejuicio de lenguaje restringe el uso de la literal de la cabeza en el cuerpo de las cláusulas, entonces la hipótesis final no podrá generalizar de manera adecuada una relación recursiva. Cada algoritmo de ILP define su propio prejuicio de lenguaje con el objetivo de que las hipótesis construidas generalicen eficientemente cada relación objetivo. Sin embargo, para construir las hipótesis, los algoritmos ILP actuales prueban un solo valor por cada aparición de la tributo que representa, por lo que es probable que las hipótesis se construyan con gran cantidad de cláusulas.
Relationships
| In Administrative Set: |
|---|
Descriptions
| Attribute Name | Values |
|---|---|
| Creador | |
| Contributors | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Keyword | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
