Algoritmo de cobertura , la enciclopedia libre

El algoritmo de cobertura es utilizado dentro del ámbito de la inteligencia artificial. Su uso se engloba en la búsqueda de reglas en él dado un conjunto de ejemplos de entrenamiento.

El objetivo del algoritmo de cobertura es la obtención de una regla de la forma: SI conjunción de pares <atributo, valor> ENTONCES atributo-objetivo = valor

Donde la conjunción de pares <atributo, valor> es de la forma:

atributo = valor

Aprendizaje-por-Cobertura(D, Atributo-objetivo, v)   Hacer Reglas-aprendidas igual a vacío   Hacer E igual a D   Mientras E contenga ejemplos cuyo valor de Atributo-objetivo es v, hacer:      Crear una regla R sin condiciones y conclusión Atributo-objetivo=v      Mientras que haya en E ejemplos cubiertos por R incorrectamente        y queden atributos que usar, hacer:         Elegir la MEJOR condición A=w para añadir a R, donde A es           un atributo que no aparece en R y w es un valor de los           posibles que puede tomar A         Actualizar R añadiendo la condición A=w a R      Incluir R en Reglas-aprendidas      Actualizar E quitando los ejemplos cubiertos por R   Devolver Reglas-Aprendidas 

El algoritmo se compone de dos bucles anidados. El bucle externo busca la obtención de reglas el valor del atributo objetivo pasado v. El bucle interno construye la conjunción de pares <atributo, valor> que contengan ejemplos con dicho valor de objetivo y así crear la regla. Como en una pasada del bucle interno pueden quedar ejemplos sin cubrir se deben crear nuevas reglas para dicho par atributo-objetivo = valor

La ausencia de una condición se suele representar con el símbolo ?

Para la elección de la mejor condición hay diversos métodos

• Mayor frecuencia relativa en ejemplos en los que el atributo objetivo contiene v
• Mayor ganancia de información por entropía:${\displaystyle \left\vert p\right\vert \left(\log _{2}{\frac {\left\vert p'\right\vert }{\left\vert t'\right\vert }}-\log _{2}{\frac {\left\vert p\right\vert }{\left\vert t\right\vert }}\right)}$

Donde p y t son los conjuntos de casos positivos y totales. Los p' y t' son los conjuntos positivos y totales que quedarán una vez añadida la condición.

En la primera pasada de bucle externo para Lente = Rígida

Si ? Entonces Lente = Rígida

En la primera pasada del bucle interno la mejor frecuencia relativa hace escoger:

Si Astigmatismo = + Y ? Entonces Lente = Rígida

En la segunda pasada bucle interno la mejor frecuencia relativa hace escoger:

Si Astigmatismo = + Y Lágrima = Normal Y ? Entonces Lente = Rígida

Como la frecuencia relativa es 1 entonces se obtiene esta regla:

Si Astigmatismo = + Y Lágrima = Normal Entonces Lente = Rígida

Al haber casos de lente= Rígida cubiertos incorrectamente se procede a continuar la búsqueda de nuevas reglas eliminando los casos ya usados en el bucle externo.

• Algoritmo find-s
• Algoritmo id3
• FOIL

• Mitchell, T.M. Machine Learning (McGraw-Hill, 1997)