AQ es un clasificador de aprendizaje automático que generaliza conjuntos de ejemplos con respecto a uno o más conjuntos de contraejemplos. Por lo tanto, los datos de entrada para AQ están hechos de datos etiquetados, o en otras palabras, datos que ya están asignados a una clase o grupo en particular. A diferencia de la agrupación, una forma de aprendizaje no supervisado, cuyo objetivo es dividir los datos no etiquetados en clases distintas, AQ es una forma de aprendizaje supervisado, donde los datos clasificados se generalizan para identificar las características de toda la clase.
El núcleo del algoritmo AQ es la llamada generación de estrellas, cuyo proceso se puede realizar de dos maneras diferentes, dependiendo del modo de operación (TF o PD). En el modo TF, la generación de estrellas procede seleccionando un ejemplo positivo aleatorio (llamado semilla) y luego generalizándolo de varias maneras para crear un conjunto de generalizaciones consistentes (que cubren el ejemplo positivo y no cubren ninguno de los ejemplos negativos). En el modo PD, las reglas se generan de manera similar, pero el programa busca patrones fuertes (que pueden ser parcialmente inconsistentes) en lugar de reglas completamente consistentes. Este proceso de generación de estrellas se repite hasta que se cubran todos los eventos positivos. Además, cuando se ejecuta en modo PD, las reglas generadas pasan por un proceso de optimización que tiene como objetivo generalizar o especializar las descripciones aprendidas para simplificar los patrones.
- ¿Es posible tener análisis predictivos utilizando motores de recomendación? En caso afirmativo, ¿cuáles son algunos de los algoritmos de análisis predictivo utilizados por los motores de recomendación?
- ¿Qué es el algoritmo de Quora y cómo funciona?
- ¿Por qué la mayoría de las personas en el campo de la complejidad provienen de entornos físicos?
- ¿Cuál es la mejor manera de estudiar la estructura de datos de árbol?
- ¿Para qué se usan realmente los algoritmos?