divide-and-conquer
nominal
divide = 나누기
ex) weather domain에서 outlook -> sunny, overcase, rainy
conquer 정복할때까지 나누기.
규칙이 나올때 까지
numeric
이분 탐색으로 나누기
Classification rules
if ~~~ then ~~~
antecedent = 앞 부분
consequent = 뒷 부분 (Class)
전체의 조건이 다 true = Firing
Association rules
class 구분 없이 모든 attribute
Coverage = Instance의 빈도?
14개의 Instance중에 IF temperature = cool THEN humidity = normal 인 것은 4개 = 4 days(4/14)
Accuracy
temperature = cool을 가진 4개의 Instance 중에 humidity = normal인 것이 4개 = 100%(4/4)
Rules with exceptions
새로운 데이터에 맞는 recommendation이 없을 수도 있다.
이럴때를 대비해서 예외를 둔다.
예외를 두면, 새로운 데이터가 다 예외라면 계속 예외를 둘건지?
-> 단점
Instance-based Learning
rule을 찾는것 대신에, Instance 자체에 대해 집중한다.
Distance metric
-> 각각의 새로운 instance는 존재하는 instance와 비교하여 거리를 계산한다.
-> 가장 가까운 instance 클라스로 배정
스케일이 다르면 공평하지 않기 때문에 각각의 numeric 값을 정규화 시켜야 된다. (1~100, 1~10000)
Instance-based의 단점
-
knowledge가 명확하지 않다.
-
instance가 100만개라면 다 비교해줘야 하기 때문에 복잡도가 늘어난다.
