Učenje odločitvenih pravil z evolucijsko optimizacijoPIČULIN, MATEJ (Avtor) Robnik Šikonja, Marko (Mentor) kolonija mraveljevolucijsko računanjestrojno učenjeučenje pravilverjetnosta pravilamehka pravilaUčenje pravil je eno od uspešnih napovednih in opisnih metod strojnega učenja. Pravila dosegajo solidno klasifikacijsko točnost in so razložljiva, kar je pomembno za končne uporabnike, ki napovedim z razlago bolj zaupajo. Izziv pri iskanju odločitvenih pravil je dobiti kratke in razumljive sezname pravil z visoko klasifikacijsko točnostjo. To je vodilo do razvoja mnogih različnih oblik klasifikacijskih pravil, kot so trda pravila, mehka pravila, verjetnostna pravila itd. Razvili smo dve metodi za iskanje odločitvenih pravil z uporabo optimizacije s kolonijo mravelj, ki je uspešna metoda za diskretno optimizacijo. V prvem delu disertacije predstavimo novo metodo imenovano nAnt-Miner, ki, za razliko od večine drugih metod, osnovanih na koloniji mravelj, obravnava tudi številske atribute. To vodi do večjega preiskovalnega prostora in vpliva na čas izvajanja ter porabo pomnilnika. Pokazali smo, da je metoda nAnt-Miner primerljiva z ostalimi metodami na osnovi kolonije mravelj, vendar je slabša od metode FURIA za iskanje mehkih pravil. Prednost metode nAnt-Miner je v tem, da lahko zazna močne odvisnosti med atributi. V drugem delu disertacije predstavimo metodo ProAnt-Miner, ki išče verjetnostna pravila. Predstavimo novo interpretacijo feromonov za delovanje te metode. Metoda ProAnt-Miner je v primerjavi z metodo nAnt-Miner hitrejša, dosega višjo klasifikacijsko točnost in porabi manj pomnilnika, predvsem zaradi uporabe drugačnega preiskovalnega grafa. Pokazali smo, da se metoda ProAnt-Miner, glede na klasifikacijsko točnost, statistično ne razlikuje od vodilnih metod, kot sta FURIA in RIPPER. Metoda ProAnt-Miner ima novo obliko pravil, ki lahko da nov pogled na podatke. Metodi smo ovrednotili na realnih in umetnih podatkovnih množicah.20182018-11-07 12:46:19Doktorsko delo/naloga105183sl