Aprendizaje de conceptos a partir de representaciones basadas en grafos

• Autores: Francisco Botana Ferreiro , Antonio Bahamonde Rionda
• Localización: Informática y automática: revista de la Asociación Española de Informática y Automática, ISSN 0214-932X, Vol. 28, Nº. 2, 1995, págs. 25-35
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    En este artículo se presenta un sistema de adquisición de conceptos a partir de ejemplos. Los ejemplos se describen en términos de vectores de pares atributo-valor, siendo los atributos nominales, lineales o estructurados. El sistema se estructura en tres etapas: en primer lugar se construye un sistema de herencias a partir del cual y mediante una interpretación semántica se obtienen reglas que describen los distintos conceptos. Estas reglas son posteriormente sometidas a un proceso sintáctico de reducción, que realizamos mediante la construcción y simplificación de un autómata finito. En una última etapa se aplican dos principios de generalización (cierre del intervalo para atributos lineales y asenso en la jerarquía de generalización para atributos estructurados) a las reglas devueltas por el autómata para obtener las descripciones definitivas de los conceptos. Se presentan también diferentes experimentos realizados con el sistema y se comparan sus resultados con los de otros algoritmos.

  • English

    In this paper a new system of learning from examples is presented. The input data are attribute-value arrays that codify observations of a given world, where the attributes can be linear, nominal or structured ones. The system proceeds in there steps. First of all we build up an inheritance net describing the input data. We endow this net with a semantic interpretation allowing us to read the net as a first draft of classification rules. Later on, by means of a finite automaton, we will rewrite those rules in order to compact its syntatic description; this is our second step. Finally we will apply two generalization principles (closing the interval for linear attributes and climbing in the attribute structure).The rules are generalized so as to obtain the definite intensional description of the concepts so learned. To close the paper we also present different experiments made with the system.