| Active Relational Rule Learning in a Constrained Confidence-Rated Boosting Framework Contributor(s): Hoche, Susanne (Author) |
|
 |
ISBN: 3828888364 ISBN-13: 9783828888364 Publisher: Tectum - Der Wissenschaftsverlag OUR PRICE: $37.79 Product Type: Paperback Published: July 2011 * Not available - Not in print at this time * |
| Additional Information |
| BISAC Categories: - Computers | Enterprise Applications - General |
| Physical Information: 0.57" H x 5.83" W x 8.27" (0.74 lbs) 252 pages |
| Descriptions, Reviews, Etc. |
| Publisher Description: Boosting is a particularly robust and powerful technique to enhance the prediction accuracy of systems that learn from examples. Although boosting has been extensively studied in the last years for propositional learning systems, only little attention has been paid to boosting in relational learning. The author proposes a successful boosted ILP based relational learning system and an embedded active feature selection technique which together result in learning time reduction of up to three orders of magnitude compared to state-of-the-art ILP learning systems, while maintaining or even enhancing the interpretability an the predictive accuracy of the induced hypotheses. Unlike existing feature selection methods in relational learning, the feature selection technique used here actively determines feature subsets for learning on the basis of the actual learning process, and avoids the transformation of the given examples into a propositional representation. Boosting ist eine besonders robuste und leistungsf hige Methode zur Verbesserung der Vorhersagegenauigkeit von Verfahren, die aus Beispielen lernen. W hrend der Einsatz von Boosting-Methoden f r propositionale Lernverfahren in den letzten Jahren intensiv untersucht worden ist, spielt diese Technik auf dem Gebiet der relationalen Lernverfahren bisher nur eine untergeordnete Rolle. Die Autorin formuliert ein leistungsf higes und effizientes geboostetes ILP-basiertes relationales Regellernverfahren und eine Methode zur integrierten aktiven Merkmalsauswahl, die zusammen eine Reduktion der Lernzeitkomplexit t gegen ber etablierten ILP-Lernverfahren um bis zu drei Gr enordnungen erreichen ohne die Vorhersagegenauigkeit oder die Verst ndlichkeit der Lernergebnisse zu beeintr chtigen. Das hier angewendete Verfahren bestimmt im Gegensatz zu existierenden Verfahren zur relationalen Merkmalsauswahl aktiv relevante Merkmale auf der Basis des aktuellen Lernprozesses und vermeidet dar ber hinaus eine Transformation der gegebene |