Classificateur associatif à deux niveaux utilisant l'apprentissage automatique sur les règles

Résumé

Le pouvoir des classificateurs associatifs est de déterminer des modèles à partir des données et d'effectuer une classification basée sur les caractéristiques qui sont les plus indicatives de la prédiction. Bien qu'ils se soient imposés comme des systèmes de classification compétitifs, les classificateurs associatifs souffrent de limitations telles que des seuils encombrants nécessitant des connaissances préalables qui varient avec l'ensemble de données. En outre, le classement des règles découvertes pendant l'inférence repose sur des heuristiques arbitraires utilisant des fonctions telles que la somme, la moyenne, le minimum ou le maximum de la confiance des règles. Par conséquent, dans cette étude, nous proposons un modèle de classification en deux étapes qui met en œuvre l'apprentissage automatique pour découvrir des règles et pour sélectionner des règles. Dans la première étape de l'apprentissage, les règles d'association de classification statistiquement significatives sont dérivées par l'exploration des règles d'association. Ensuite, dans la deuxième étape de l'apprentissage, nous utilisons un algorithme basé sur l'apprentissage automatique qui apprend automatiquement les poids des règles de classification pendant l'inférence. Nous utilisons la valeur p obtenue par le test exact de Fisher pour déterminer la signification statistique des règles. Les classificateurs basés sur l'apprentissage automatique, tels que les réseaux neuronaux, les SVM et les classificateurs basés sur les règles, tels que RIPPER, aident à classer les règles automatiquement au cours de la deuxième étape de l'apprentissage, au lieu de forcer l'utilisation d'une heuristique spécifique pour cela. Les règles obtenues lors de la première étape forment des caractéristiques significatives à utiliser lors de la deuxième étape de l'apprentissage. Notre approche, BiLevCSS(Bi-Level Classificationusing Statistically SignificantRules) surpasse les performances de divers classificateurs de pointe en termes de précision de classification.