Таким чином, у нас є потенціал для програми машинного навчання, яка досить чітко вписується в традиційну проблемну область, яку вирішують класифікатори, тобто у нас є набір атрибутів, що описують предмет та "відро", до якого вони в кінцевому підсумку. Однак, а не створювати моделі імовірностей, як у Naive Bayes або подібних класифікаторах, ми хочемо, щоб наш результат був набором грубо зрозумілих для людини правил, які можуть бути переглянуті та змінені кінцевим користувачем.
Навчання правилам асоціації виглядає як сімейство алгоритмів, яке вирішує подібний тип проблеми, але, схоже, ці алгоритми орієнтовані на визначення загальних комбінацій функцій і не включають концепцію остаточного відрізка, на яке ці функції можуть вказувати. Наприклад, наш набір даних виглядає приблизно так:
Item A { 4-door, small, steel } => { sedan }
Item B { 2-door, big, steel } => { truck }
Item C { 2-door, small, steel } => { coupe }
Я просто хочу, щоб правила, які говорять "якщо він великий і 2-дверний, це вантажівка", а не правила, які говорять "якщо це 4-дверні, то це теж мало".
Я можу придумати - просто використовувати алгоритми навчання правил асоціації та ігнорувати правила, які не містять кінцевого відрізка, але це здається трохи нерозумним. Я пропустив якесь сімейство алгоритмів там? Чи, можливо, я підійшов до проблеми неправильно для початку?