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.
To dobra książka wprowadzająca: De Raedt, Luc, red. Uczenie logiczne i relacyjne . Springer, 2008.
Spróbuj użyć ACE dla TILDE i WARMR.
źródło