17、学习分类系统中独立规则适应性研究

学习分类系统中独立规则适应性研究

在机器学习领域，学习分类系统（LCS）是一种强大的工具，可用于解决各种复杂的问题。本文将聚焦于监督式基于规则的学习系统（SupRB）和著名的LCS系统XCSF，通过对四个不同复杂度的真实世界回归数据集进行实验，深入比较它们的性能。

1. 实验设置

1.1 数据集选择

为了全面评估SupRB和XCSF的性能，我们选取了UCI机器学习库中的四个数据集，它们具有不同的特征和复杂度：
- 联合循环发电厂（CCPP）数据集 ：特征与目标之间呈现近乎线性的关系，理论上单个规则就能实现可接受的准确预测。
- 翼型自噪声（ASN）数据集 ：高度非线性，需要更多规则才能充分预测目标。
- 混凝土强度（CS）数据集 ：同样高度非线性，输入特征比ASN多，但总体上更容易预测。
- 能源效率冷却（EEC）数据集 ：具有较强的线性特征，但输入特征与样本的比例比CCPP高，使用较少规则即可建模。

1.2 实验方法

每个学习算法针对每个数据集进行8次不同随机种子的8折交叉验证，每次保留25%的数据作为验证集，总共进行64次运行。为了便于比较不同数据集的结果，我们对目标进行标准化处理，同时记录了均方误差（MSE）的均值和标准差。

2. 实验结果

2.1 性能比较

通过对实验结果的详细分析，我们发现XCSF和SupRB的性能总体上相当，但在不同数据集上各有优劣：
|