CN2规则归纳

组件介绍

**“CN2规则归纳”（CN2 Rule Induction）**控件主要使用CN2算法从数据中推导出规则。可用于分类任务。

CN2归纳算法是一种用于规则归纳的学习算法，其设计目的是在训练数据不完善的情况下也能发挥作用。它基于AQ算法和ID3算法的思想。因此，它能创建类似AQ算法的规则集，但又能像ID3算法一样处理噪声数据。

---

• 输入：
  • data：数据集
  • pre: 预处理方法
• 输出：
  • lrn: 在交互页面中配置参数后的CN2学习算法
  • mod: 已训练的模型（仅当输入端data存在时，才会有输出信息）

---

页面介绍

点击**“CN2规则归纳”（CN2 Rule Induction）**控件查看参数配置页面，如下图所示：

参数选项

选项	说明	样例值
学习器名称	设置学习器的名称，用于在其他组件中区分不同的学习器	字符串	CN2 Rule Induction
规则排序	有序：归纳有序的规则（决策列表） 查找规则条件，大部分分类被归纳到规则的头部 无序：归纳无序的规则（规则集） 针对原始数据分别学习每个分类的规则	有序 无序	有序
覆盖算法	独有：在覆盖学习实例之后，将其从进一步考虑中移除。 加权：在覆盖学习实例之后，减小其权重（乘以γ）同时反过来减小其对进一步迭代算法的影响	独有 加权：   γ：0~1	独有
规则搜索	评估方法：选择一个启发式评估找到假设：   Entropy：衡量内容的不可预测性   Laplace Accuracy   Weighted Relative Accuracy 波束宽度：保存迄今为止发现的最佳规则，并检测固定数量的替代方案（波束）	评估方法：   Entropy   Laplace Accuracy   Weighted Relative Accuracy 波束宽度：1~100	评估方法：Entropy 波束宽度：5
规则过滤	最小规则覆盖范围：发现的规则必须至少涵盖所要求的最小数量的例子，无序的规则必须涵盖大多数目标类的例子 最大规则长度：发现的规则可以最多组合选择器（条件）的最大允许数量 统计显著性（默认 α）：重要性测试来删除关于类的初始分配的特有的规则（不常用） 相对重要性（父系 α）：重要性测试来删除关于父类分布的特有的规则（不常用）	最小规则覆盖范围：110000 最大规则长度：1100 统计显著性（默认 α）：01 相对重要性（父系 α）：01	最小规则覆盖范围：1 最大规则长度：5 统计显著性（默认 α）：1 相对重要性（父系 α）：1

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据集，连接“CN2规则归纳”（CN2 Rule Induction）控件进行聚类，之后把“加载文件”（File）控件以及“CN2规则归纳”（CN2 Rule Induction）控件与“预测”（Predictions）控件连接起来查看基于已经构建的“CN2规则归纳”（CN2 Rule Induction）**模型对输入数据进行预测的结果。

案例中加载 iris 数据集，其余参数使用默认值。案例中控件的配置以及执行结果如下图所示。