Uczenie się na podstawie danych relacyjnych

Ustawienia Wiele algorytmów działa na jednej relacji lub tabeli, podczas gdy wiele rzeczywistych baz danych przechowuje informacje w wielu tabelach (Domingos, 2003).

Pytanie Jakie typy algorytmów uczą się dobrze z wielu (relacyjnych) tabel. W szczególności interesują mnie algorytmy, które mają zastosowanie do zadań regresji i klasyfikacji (nie te zorientowane na analizę sieci, np. Prognozowanie łącza).

Jestem świadomy kilku podejść wymienionych poniżej (ale jestem pewien, że brakuje mi niektórych):

• Multi-Relational Data Mining (MRDM) (Dzeroski, 2002)
• Indukcyjne programowanie logiczne (ILP) (Muggleton, 1992)
• Statistics Relational Learning (SRL) (Getoor, 2007)

Džeroski, S. (2003). Eksploracja danych w wielu relacjach: wprowadzenie. ACM SIGKDD Biuletyn poszukiwań.

Getoor, Lise i Ben Taskar, red. Wprowadzenie do statystycznego relacyjnego uczenia się. MIT press, 2007.

S. Muggleton i C. Feng. Efektywna indukcja programów logicznych. W materiałach z pierwszej konferencji na temat teorii uczenia algorytmicznego, strony 368–381. Ohmsha, Tokio, 1990.

Zacząłem studiować ten temat, czytając ten artykuł: Macskassy, ​​S., & Provost, F. (2003). Prosty klasyfikator relacyjny . Mój doradca powiedział mi, że jest to najprostsze podejście klasyfikacyjne w relacyjnym uczeniu się, jakie zna.

To dobra książka wprowadzająca: De Raedt, Luc, red. Uczenie logiczne i relacyjne . Springer, 2008.

Spróbuj użyć ACE dla TILDE i WARMR.