Extração de Regras de RNA
Wilian Soares Lacerda
Estudo baseado no artigo:
ANDREWS, Robert et al. A survey and critique of
techniques for extracting rules from trained artificial neural
networks. Technical Report, Neurocomputing Reserch
Centre, Queensland University of Technology, Queensland,
Austrália, 1995, 37p.
Fevereiro de 2003
Introdução

O sucesso da aplicação da tecnologia de
Redes Neurais Artificiais (RNA’s) nas
diversas áreas (comércio, ciência, indústria,
medicina) se baseia em:
maneira direta da rede adquirir informação sobre
um dado problema por meio da fase de
treinamento;
 forma compacta que a informação é armazenada
em um rede;
 velocidade e facilidade que o conhecimento pode
ser acessado e usado;
 robustez da rede na presença de ruído nos dados
de entrada;
 alto grau de acerto na generalização da solução
para um conjunto de dados não vistos no
treinamento.

Problema
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.
 A RNA não possui uma representação
explícita do conhecimento armazenado.

Solução

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:
capacidade de entendimento pelo usuário do
conhecimento adquirido pela rede;
 auxílio para determinação do tamanho
ótimo da estrutura de uma RNA;
 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:
 a arquitetura da rede;
 função de ativação associada a cada unidade
da rede;
 um conjunto de parâmetros numéricos.
Algoritmos de extração de
regras
Algoritmos de extração de regras
providenciam um mecanismo para decompor
parcialmente ou completamente uma RNA
treinada.
 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
a forma expressiva das regras extraídas:
proposicional (booleano, if.then.else) ou não
convencional (lógica fuzzy);
 transparência: decomposição, pedagógico,
eclético;
 qualidade das regras extraídas: acuracidade,
fidelidade, compreensibilidade;
 complexidade do algoritmo.

Técnicas de extração de
regras
Algoritmo SUBSET
 M-of-N
 RULEX
 VIA
 RULENEG
 LOGIC
 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:
 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;
 Formar a regra: if P e not N then <ativado>
Conclusão
Uma visão geral do conceito de extração de regras
e sua utilidade para as RNA’s foram apresentados.
 As características importantes dos algoritmos de
extração de regras foram ressaltadas.
 Um exemplo de algoritmo de extração de regra foi
mostrado: SUBSET.
 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.
