12、使用混合编码进化算法学习决策规则

使用混合编码进化算法学习决策规则

1 引言

在现代数据挖掘和机器学习领域中，决策规则的生成是一项重要的任务。这些规则不仅可以帮助我们理解数据，还可以用于分类、预测和决策支持系统。传统的基于遗传的监督学习算法（如GABIL或GIL）在处理数值属性时面临挑战，因为编码所有可能值会导致规则过长。为此，本文介绍了一种基于进化算法的方法，称为HIDER（层次决策规则），用于学习连续和离散领域的规则。该方法通过进化算法生成层次化的规则集，以实现更好的分类性能和规则的可解释性。

2 动机

2.1 传统方法的局限性

传统的基于遗传的监督学习算法（如GABIL或GIL）主要为离散领域设计，难以处理数值属性。例如，GABIL和GIL是所谓的概念学习器，它们通过为每个属性值分配一个比特来进行编码。这种编码方式在处理离散属性时效果较好，但在处理连续属性时非常困难，因为需要将二进制转换为实数，这会导致精度损失。

2.2 HIDER的优势

HIDER通过混合编码（即离散属性使用二进制编码，连续属性使用整数编码）来克服传统方法的局限性。这种方法不仅提高了处理连续属性的能力，还能通过最小化涉及的属性数量来生成更简洁、更易理解的规则。

3 方法特点

3.1 层次化规则生成

HIDER生成的规则是层次化的，即规则是按顺序获得的，因此必须按顺序尝试，直到找到满足其条件的规则。这种层次化结构使得规则集更易于理解和解释。例如，对于一个给定的示例，规则集将按顺序进行匹配，直到找到第一个符合条件的规则，从而对该示例进行分类。

3.2 最小化属性数量

<