Extração de Regras de RNA Wilian Soares Lacerda Fevereiro de 2003

Introdução l O sucesso da aplicação da tecnologia de Redes Neurais Artificiais (RNA’s) nas diversas áreas (comércio, ciência, indústria, medicina) se baseia em:

l maneira direta da rede adquirir informação sobre um dado problema por meio da fase de treinamento; l forma compacta que a informação é armazenada em um rede; l velocidade e facilidade que o conhecimento pode ser acessado e usado; l robustez da rede na presença de ruído nos dados de entrada; l alto grau de acerto na generalização da solução para um conjunto de dados não vistos no treinamento.

Problema l O custo do sucesso das RNA’s é a incapacidade para explicar, em uma forma compreensiva, o processo pelo qual uma dada decisão ou saída é gerada. l A RNA não possui uma representação explícita do conhecimento armazenado.

Solução l Existem várias técnicas desenvolvidas para extrair regras de RNA treinadas, e assim providenciar a capacidade de explanação do conhecimento adquirido pela RNA.

Vantagens da extração de regras de RNA treinadas: l capacidade de entendimento pelo usuário do conhecimento adquirido pela rede; l auxílio para determinação do tamanho ótimo da estrutura de uma RNA; l auxílio na identificação e se possível exclusão de soluções baseadas em RNA que tem um potencial para dar resultados errados.

Armazenamento do conhecimento O conhecimento adquirido durante a fase de treinamento é codificado em uma rede neural treinada como: l a arquitetura da rede; l função de ativação associada a cada unidade da rede; l um conjunto de parâmetros numéricos.

Algoritmos de extração de regras l Algoritmos de extração de regras providenciam um mecanismo para decompor parcialmente ou completamente uma RNA treinada. l A essência da tarefa de extração do conhecimento (ou regras) de uma RNA é uma interpretação em uma forma compreensiva do efeito coletivo dos 3 ítens anteriores.

Características dos algoritmos de extração de regras l a forma expressiva das regras extraídas: proposicional (booleano, if.then.else) ou não convencional (lógica fuzzy); l transparência: decomposição, pedagógico, eclético; l qualidade das regras extraídas: acuracidade, fidelidade, compreensibilidade; l complexidade do algoritmo.

Técnicas de extração de regras l Algoritmo SUBSET l M-of-N l RULEX l VIA l RULENEG l LOGIC l TREPAN

Algoritmo SUBSET Para cada neurônio das camadas intermediárias e de saída fazer: –Formar Sp subconjuntos, combinando somente pesos positivos do neurônio cujo somatório supera o valor de limiar; –Para cada elemento P dos subconjuntos Sp fazer: l Formar Sn subconjuntos de N elementos, considerando as combinações mínimas de pesos negativos, de forma que a soma absoluta destes pesos seja maior do que a soma de P menos o valor do limiar do neurônio; l Formar a regra: if P e not N then

Conclusão l Uma visão geral do conceito de extração de regras e sua utilidade para as RNA’s foram apresentados. l As características importantes dos algoritmos de extração de regras foram ressaltadas. l Um exemplo de algoritmo de extração de regra foi mostrado: SUBSET. l A extração do conhecimento adquirido por uma RNA torna a rede mais confiável para o usuário final, além de evidenciar as dependências e relações no conjunto de dados.