18、规则归纳算法的自动化设计

规则归纳算法的自动化设计

1. 系统运行终止条件

在规则归纳算法自动化设计的过程中，由于非终结符和终结符的组合数量众多，为GGP系统的两个主循环添加了运行终止条件：
- whileLoop非终结符 ：当循环迭代次数达到训练集中实例数量加1时，规则生成过程将停止。因为拥有比示例更多规则的基于规则的分类模型是没有价值的。
- innerWhile循环 ：允许的最大迭代次数等于数据集中属性数量的2倍。这是因为一个数值属性可能在规则中多次出现，所以将这个上限设置为属性数量的2倍。

在解析过程结束后，会得到一个完整的Java类IndClassifier。该类会与其他基本Java类（如Rule、Antecedent、RuleList和RuleSet）以及一些WEKA包关联，从而可以在一组分类问题中运行生成的规则归纳算法。不过，在系统开发过程中发现，WEKA中分类器的实现模块化程度不够，无法使规则归纳算法代码的自动生成变得简单。因此，系统仅使用WEKA的核心包（处理任何分类器的基本操作，如读取示例和生成数据统计信息）以及分类器包中的一些类。

2. 单目标适应度

将GGP系统的树转换为规则归纳算法的Java代码后，会在一组分类问题中运行这些算法。对于每个分类问题（即元训练集中的每个数据集），从训练集中获取规则模型，从验证集中获取准确率，然后需要将这些信息总结为一个直观的适应度值。

最初，使用GGP - RI（由GGP系统演化的规则归纳算法）在所有分类问题上的准确率平均值作为适应度值。但分析发现，这种方法并不理想。因为GGP系统是在具有非常不同基线准确率的不同