2026-09-14T18:37:57.705Z http://ezaposleni.singidunum.ac.rs/rest/sciNaucniRezultati/oai

ezaposleni.singidunum.ac.rs/rest/sciNaucniRezultati/oai:1:900 2013-10-29T14:08:46Z 1

Sistem za induktivno učenje propozicionih pravila Empiric.Rules 2001 http://ezaposleni.singidunum.ac.rs/rest/sciNaucniRezultati/oai/record/1/900 http://www.infofest.com/dom/retrospektiva/infofest2001/infofest2001-autorski.htm Vladislav Miškovic U radu je razmotren sistem za induktivno učenje propozicionih koncepata Empiric.Rules, deo autorovog sistema za inteligentnu analizu podataka Empiric. Osnovne karakteristike algoritma učenja su: • Koristi uniformni model primera i pravila sa više tipova atributa, u kome su dozvoljene nepoznate vrednosti u obučavajućim primerima; • Generisano znanje predstavlja u obliku pravila konjuktivnog tipa; • Omogućava više načina estimacije tačnosti naučenih pravila; • Vrši automatsku dinamičku diskretizaciju kontinualnih atributa; • Omogućava upravljanje pojednostavljivanjem pravila (pre-prunning); • Osim osnovne heurističke mere kvaliteta pravila, omogućava korišćenje više drugih mera: informativnost atributa (information gain), relativnu infomativnost atributa (gain ratio), entropiju (entropy), gini indeks (gini), logičku pouzdanost (ls-content) i meru Kaufmana-Michalskog (Q-measure); • Predstavlja multimodelski sistem, jer omogućava povećanje tačnosti predviđanja učenjem višestrukih modela, odnosno ansambala (koristi metodu bagging). Dato je poređenje tačnosti predviđanja sistema Empiric.Rules na skupu od 14 problema iz baze problema mašinskog učenja na University of California at Irvine sa objavljenim rezultatima za multimodelske sisteme razvijene na bazi algoritma C4.5, jednog od standarda na području propozicionog induktivnog učenja. Iz prikazanih rezultata poređenja se vidi da je sistem za induktivno učenje pravila Empiric.Rules uporediv sa razmatranim sistemima, jer se pokazao najuspešnijim na referentnom skupu problema, kako u slučaju osnovnog algoritma za učenje jednog skupa pravila, tako i u slučaju generisanja višestrukih modela ili ansambala. Učenjem višestrukih modela tačnost predviđanja raste na račun smanjenja razumljivosti. Gubitak razumljivosti nastaje usled povećanja ukupnog broja pravila, što može biti prihvatljivo, ako uz relativno mali broj modela (skupova pravila) znatno poraste tačnost predviđanja. Još jedno svojstvo generisanog znanja, saglasnost naučenog sa prethodnim znanjem, ilustrovana je na jednom od referentnih problema (Hepatitis). conferenceObject 143 150 Zbornik radova INFOFEST 2001