Un sistema de aprendizaje de reglas explícitas mediante la generalización de instancias

Se trata de construir un sistema de aprendizaje automatico que , a partir de ejemplos de entrenamiento que describen de forma parcial unproblema de clasificacion, se capaz de obtener un conjunto de reglas clasificadoras con un alto rendimiento,El objetivo principal del algoritmo es lograr una alta capacidad de explicacion de las decisiones en la clasificacion, par alo que cual es fundamental que el conjunto de reglas seas compacto, es decir, que se obtengan pocas reglas y con un numero de antecedentes pequeno. Las reglas se obtienen tras un proceso iterativo de generalizacion de observaciones. Partiendo inicialmente de puntos, o ejemplos en el espacio del problema se llegara a obtener un conjunto de reglas que cubran lso ejemplos que haya en los alrededores dlepunto de partida. El mecanismo de generalizacion se basa en el principio del vecino mas proximo, tratando de extender una regla, inicialmente puntual, para que cubra regiones en su vecindad. Las reglas se van a ver dodificadas a lo largo del proceso de induccion en funcion de los ejemplos presentados mas proximos a ellas. Estas modfiicaciones se haran siguiendo un procedimiento similar a las modificaciones de los mapas autoorganizativos de Kohonen. Lo mas destacable de estere proceso es la necesidad de medir distancias entre reglas y ejemplos,problema que no es trivial cuando los atributos son de caracter simbolico. Inner prtende utilizar una aproximacion en la que la forma de medir distancias entre atributos simbolicos se aprenda durante el proceso de induccion de reglas. La generalizacion utiliza una medida de calidad de las reglas denominada nivel de impureza, que evita el sobreajuste de las reglas al conjunto de entrenamiento, permitiendo asi obtener soluciones tolerantes al rudio. El nivel de impureza es una medida de calidad de reglas que ha probado su eficacia en sistemas como ABANICO, de donde se han heredado tambien los procesos de depuracionde