Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
INDICE
RESUMEN:................................................................................................................................3
TÉCNICAS DE EXTRACCIÓN DE REGLAS........................................................................................4
TÉCNICAS DE EXTRACCIÓN DE REGLAS A PARTIR DE MODELOS DE CAJA NEGRA....................5
TÉCNICAS DE EXTRACCIÓN DE REGLAS SOBRE REDES NEURONALES.......................................5
MÉTODOS GLOBALES...............................................................................................................6
MÉTODOS LOCALES..................................................................................................................6
TÉCNICAS DE EXTRACCIÓN DE REGLAS SOBRE OTROS PARADIGMAS......................................7
TÉCNICAS DE EXTRACCIÓN DE REGLAS BORROSAS..................................................................7
TÉCNICAS DE EXTRACCIÓN DIRECTA (CAJA NEGRA).................................................................8
SISTEMAS NEUROBORROSOS (NEURO-FUZZY).........................................................................8
ARQUITECTURA NEURO-FUZZY................................................................................................8
CONCLUSION............................................................................................................................9
BIBLIOGRAFIA...........................................................................................................................9
2
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
RESUMEN:
En estos capítulos veremos una serie de técnicas que, desde diferentes ámbitos, intentan
convertir un modelo preexistente, pero no explícito o incomprensible, en un modelo en
forma de reglas. En primer lugar hemos comentado que la representación en forma de
reglas no es la única representación comprensible para los seres humanos ni asegura
dicha comprensibilidad si el conjunto de reglas es muy grande, pero sí es una
representación muy común y fácil de manejar. También, veremos la aproximación más
general de extracción de reglas en base a un entrenamiento de un nuevo modelo,
utilizando el modelo original como oráculo para etiquetar un conjunto de datos. Esta
forma de extracción de reglas se ha denominado método mimético y goza de gran
flexibilidad (al poderse aplicar a cualquier tipo de modelo), facilidad de implementación
y adaptación según las aplicación. Respecto a las técnicas específicas, hemos dedicado
una sección a la extracción de reglas sobre redes neuronales, técnicas que datan desde
los mismos inicios del éxito de las redes neuronales, ya que los detractores de las redes
neuronales siempre han utilizado el problema de la incomprensibilidad como arma
arrojadiza. Del mismo modo, otras técnicas específicas de extracción de reglas se han
visto a continuación. En el último punto, se han estudiado un tipo de reglas más
expresivas, basadas en los conjuntos borrosos. Los trabajos que hibridan los conjuntos
de reglas borrosos, las redes neuronales y, frecuentemente, la computación evolutiva,
han dado lugar a diferentes técnicas, dentro del área de “soft computing” y
“computational intelligence” [Duch y otros, 2004; Mitra y otros, 2002], que permiten
convertir modelos existentes en conjuntos de reglas borrosos. En general, las diferentes
técnicas introducidas en estos breves capítulos, aunque todas ellas con una base en el
aprendizaje automático, pueden ser aplicadas a diferentes ámbitos donde la IA requiere
de conocimiento que sea interpretable y procesable por los humanos y también por
herramientas semiautomáticas de Ingeniería del Conocimiento.
3
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
4
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
representan en realidad dos condiciones, 25 < edad ∧ edad < 50. Así, su complejidad es
2 · 3 + 9 = 15. El modelo 2 tiene 5 reglas y 7 condiciones. Por tanto, su complejidad es
2 5 + 7 = 17. Por tanto, el modelo 1 es más simple, según esta función de complejidad.
5
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
como rule extraction. Éste ha sido un tema de investigación muy activo durante la
última década, dando lugar a diferentes propuestas y sistemas de extracción de reglas.
Los más habituales son:
La potencia expresiva de las reglas extraídas, es decir, el tipo de reglas.
La calidad de las reglas extraídas, en términos de precisión, fidelidad a la red
subyacente, comprensibilidad y consistencia de las reglas.
Si el método de extracción es local (analiza los nodos de la red uno a uno) o
global (se analiza la red como un todo).
La complejidad algorítmica del método.
La generalidad del método, en el sentido de si se puede aplicar a cualquier tipo
de red o, por contra, si impone alguna restricción a la arquitectura de la red o a
su entrenamiento.
El tipo de variables soportadas: booleanas, discretas o continuas.
La escalabilidad, es decir, su capacidad para trabajar con redes con un gran
número de entradas, de nodos y conexiones.
La globalidad del método, nos permite distinguir entre dos esquemas generales de
extracción de reglas desde una red neuronal: la aproximación en la que se extrae un
conjunto de reglas globales que caracterizan las salidas (clases) directamente a partir de
las entradas, y la aproximación en la que se extraen reglas locales descomponiendo la
red neuronal multicapa en una colección de redes de una sola capa, tal que una
combinación de las reglas que describen las redes individuales permite describir la red
completa.
MÉTODOS GLOBALES
Uno de los primeros métodos pedagógicos o globales fue propuesto por Saito y Nakano.
En [Saito y Nakano, 1988] los autores usan un proceso de búsqueda primero en
amplitud para construir las reglas. Para limitar la explosión combinatoria proponen dos
heurísticas. La primera limita el número de literales positivos y negativos en el
antecedente de las reglas, así como la profundidad del proceso de búsqueda. La
segunda, propone considerar como válidas únicamente aquellas reglas cuyos
antecedentes involucran literales presentes en el conjunto de entrenamiento.
MÉTODOS LOCALES
Los métodos locales o descomposicionales analizan fragmentos de la red (generalmente
los nodos ocultos y las salidas de forma individual) para extraer reglas. Estas redes se
basan generalmente en funciones sigmoidales o en funciones localizadas. En cualquier
caso, la salida de cada neurona debe poder expresare como un valor binario (sí/no) que
constituye el consecuente de la regla. Así, cada unidad de salida u oculta se interpreta
como una regla booleana, lo que reduce el problema de extraer las reglas a un problema
de determinar las situaciones bajo las cuales la regla es cierta.
Estas reglas podrían reemplazarse por:
Si 3 de {B, C, D, no(E)} entonces A
Que expresa mucho más claramente las condiciones sobre A. Para ello, el algoritmo M-
of-N procede de la siguiente forma:
6
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
Para cada nodo interno y salida se hacen grupos de entradas con pesos similares.
Se calcula el peso medio de cada grupo y se asigna como peso a todos los
miembros del grupo.
Se eliminan los grupos que no afectan a la activación o no del nodo o salida.
Dejando los pesos de los enlaces constantes, se optimizan los umbrales de los
nodos y salidas usando el algoritmo de propagación hacia atrás (esto producirá
una red con menos entradas independientes y, por consiguiente, más fácil de
analizar).
Se crea una regla por cada nodo oculto y salida, la cual constará de un umbral en
función de los umbrales y pesos de los enlaces que hayan quedado. 6. Se
simplifican las reglas cuando sea posible.
7
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
reglas simples (no borrosas) no son capaces de capturar fielmente el modelo, a no ser
que utilicen un número muy alto de reglas. Aun así, sufren el problema del sobreajuste,
al tratar de fijar de manera precisa aquello que no lo es en origen.
Por tanto, las técnicas de extracción de sistemas de reglas borrosas son muy apropiadas
para las aplicaciones que hemos comentado en este capítulo. Como existen numerosas
técnicas de extracción de este tipo de reglas, nos centraremos en analizar un ejemplo
representativo de métodos de extracción de sistemas de reglas independientemente del
modelo original (como un problema de aprendizaje, a partir de ejemplos), que
denominaremos de “caja negra” y un ejemplo de técnica de las denominadas “neuro-
fuzzy”, que permiten extraer reglas borrosas de un tipo específico de sistema de origen,
en particular una red neuronal.
8
UNIVERSIDAD NACIONAL TORIBIO RODRIGUEZ DE MENDOZA
CONCLUSION
Las técnicas de extracción de reglas relacionales, permiten extraer modelos
comprensibles a partir de datos y son, por tanto, útiles para la extracción de reglas en
aplicaciones que requieren representaciones complejas: bioquímica y genética,
medicina, redes, web, multimedia, lenguaje natural, etc.
BIBLIOGRAFIA
http://jummp.wordpress.com/2011/09/06/desarrollo-de-software-testing-
modelo-en-v/
http://www.sistedes.es/TJISBD/Vol-3/No-4/articles/pris-09-calvo-cmmidev.pdf
http://www.fceia.unr.edu.ar/ingsoft/testing-intro-a.pdf