• 规则学习是指从训练数据中学习出一组能用于对未见示例进行判别的规则.规则学习具有较好的可解释性,能使用户直观地对判别过程有所了解.
  • 规则学习的目标是产生一个能覆盖尽可能多的样例的规则集,最直接的做法是序贯覆盖,即逐条归纳:每学到一条规则,就将该规则覆盖的训练样例去除.常采用自顶向下的生成-测试法.
  • 规则学习缓解过拟合的常见做法是剪枝,例如CN2,REP,IREP等算法.著名的规则学习算法RIPPER就是将剪枝与后处理优化相结合.
  • 命题规则难以处理对象之间的关系,因此要用一阶逻辑表示,并且要使用一阶规则学习.它能更容易地引入领域知识.著名算法有FOIL(First-Order Inductive Learner)等.