IBLE算法

IBLE(Information Based Learning of Examples)方法是基于信息论的示例学来自习方法，利用信息论中信道容量的概念作为对实体中选择重要特征的度量。

• 中文名 IBLE算法
• 外文名 Information Based Learning of Examples
• 方    法 基于信息论的示例学习方法
• 部分组成 四部分

正文介绍

　　IBLE(Information Based Le世次离用意绍略里越告纸arning of Examples)方法是基于信息论的示例来自学习方法，利用信息论中信道容量的概念作为对实体中选择重要特征的度量。信道容量是一个不依赖于训练集中正，反比例的特征360百科取值的选择量。这样，信道容量克服了互信息依赖正，反比例的缺点。IBLE选择一组重要特征建立规则，作为决策树的节点，充分考虑了特征间的相关性。这样，用多个特征组合成规则的节点来鉴别干度搞看实例，能够有效地正确判别。

内容

　　IBLE方法从训练集归纳出一棵决策规概修数求背三顶则树，树中每个节点都由多个特征组成。特征的选取是通过计算各特征信道容量来进行的。各特征的正比例标准由译码函数决定。节点中判别正，反例的阈值由实例中权值变化的规律来确定。

　　此算法头样富该于站任界胡由四部分组成:预处理，建决策树算法，建规则算法和类别判定算法。IBLE的规则与专家知识在内容上有较高的一致性，用IBLE获取的知识建立的专家系统对实例的判别提供了良好的条件。