Reguły indukcyjne

Reguła indukcyjna jest najbardziej naturalnym sposobem reprezentowania wiedzy. Poprzez regułę rozumiemy zwykłą logiczną implikację postaci: jeżeli przesłanki to konkluzja lub jeżeli warunki to decyzja, np. jeżeli Jasio z Olsztyna kupił motor i Stasio z Olsztyna kupił motor, to prawdopodobnie Kazio z Olsztyna również kupi motor.

Można wykorzystać reguły do zapisu wiedzy dotyczącej klasyfikacji, czyli indukcyjnego uczenia się pojęć. Część przesłankowa (warunkująca) opisuje wówczas warunki dotyczące atrybutów klasyfikowanego pojęcia, natomiast konkluzją (część warunkowa) będzie odpowiednia kategoria, do której dodamy klasyfikowany przykład. My natomiast skupimy się bardziej na wykorzystaniu reguł do reprezentacji wiedzy dotyczącej asocjacji, czyli uczenia się, jakie atrybuty najczęściej występują razem. Część przesłankowa opisuje tutaj warunki dotyczące wartości atrybutów sprawdzanego rekordu, natomiast wnioskiem będzie wartość atrybutu, który najprawdopodobniej wystąpi wraz z badanymi. Przy pomocy takich reguł możemy sprawdzić poprawność zbioru wartości atrybutów, uzupełnić lub przewidzieć przyszłe wartości atrybutów. Właśnie mechanizm przewidywania przyszłych wartości atrybutów zastosowałem w swojej aplikacji, która na podstawie zgromadzonej wiedzy stara się przewidzieć, które towary klient wrzuci do koszyka.