Bu nedenle, sınıflandırıcılar tarafından çözülen geleneksel sorun alanına oldukça düzgün uyan bir makine öğrenme uygulaması potansiyeline sahibiz, yani, bir öğeyi ve sonuçta ortaya koydukları bir "kovayı" tanımlayan bir dizi özelliğe sahibiz. Bununla birlikte, modeller oluşturmak yerine Naive Bayes veya benzeri sınıflandırıcılarda olduğu gibi, çıktımızın son kullanıcı tarafından incelenebilen ve değiştirilebilen kabaca insan tarafından okunabilen bir dizi kural olmasını istiyoruz.
İlişkilendirme kuralı öğrenimi, bu tür bir sorunu çözen algoritmalar ailesine benziyor, ancak bu algoritmalar, ortak özellik kombinasyonlarını tanımlamaya odaklanmış gibi görünüyor ve bu özelliklerin işaret edebileceği son bir kova kavramını içermiyor. Örneğin, veri setimiz şöyle görünür:
Item A { 4-door, small, steel } => { sedan }
Item B { 2-door, big, steel } => { truck }
Item C { 2-door, small, steel } => { coupe }
Sadece "büyük ve 2 kapılıysa, bir kamyon" diyen kuralları istiyorum "4 kapılıysa küçük de" diyen kuralları değil.
Düşünebileceğim bir çözüm, ilişkilendirme kuralı öğrenme algoritmalarını kullanmak ve bir uç kovası içermeyen kuralları görmezden gelmektir, ancak bu biraz acayip görünüyor. Orada bazı algoritmalar ailesini kaçırdım mı? Ya da belki de soruna yanlış bir şekilde yaklaşıyorum?