Rudimentary Rules
error rate 만으로 rule 을 만들어 dataset 에 크게 의존됨.
일단 이거보단 결과가 좋아야함 = 이후 모델의 baseline 이 됨
Zero-R
class 의 가장 많은 value 로 몰빵
One-R
feature 의 각 value 마다 가장 많은 class 의 value 를 몰빵함.
각 feature 중에서 가장 좋은 정확도를 가져오는 feature 를 사용.
Numeric value 일 경우 최소 합칠 크기를 정해서 묶어줌.
Covering Algorithm
특징
rule set 을 구해서 그것의 조합으로 분류. 그래서 사람이 이해하기 쉬움.
각 class 의 value 마다 그것을 설명하는 rule 을 만듦.
그걸로 cover 안되면 새로운 rule 을 추가함.
이를 모든 instance 가 적용될 때 까지 반복함 => 전체 feature space 가 커버 안될수도.
rule set 을 decision tree 등을 통해서 뽑는건 간단함.
반대로 rule set 을 통해 decision tree 를 만드는건 어려움. 하지만 가능함.
대개 rectangle 한 decision boundary 를 만듦.
PART
Ripper(JRip)
PART 보다 rule 을 적게 만듦.