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.