Data Mining von Objekten mit genetischem Algorithmus

Künstliche neuronale Netze (ANN) haben sich zu einem leistungsfähigen Instrument für die Entscheidungsfindung entwickelt. Es hat viele Qualitäten, die den Benutzer leicht anziehen können, wie z.B. die Fähigkeit, von verschiedenen dynamischen Daten zu lernen, die durch interne Anpassung der Gewichtung erhalten werden, einfach und schnell in der Berechnung, bietet eine robuste Lösung in Anwesenheit von Rauschen und bietet eine genaue Lösung, wenn es über eine Reihe von zuvor ungesehenen Beispielen aus dem Problembereich verwendet wird. Es hat jedoch einen großen Nachteil, da es als "Black Box"-Technologie arbeitet, d.h. die Eingaben werden einem trainierten Netz zugeführt, das sie auf undurchsichtige Weise verarbeitet. Aufgrund dieser fehlenden Transparenz sind die Netzstrukturen verwirrend. Hinzu kommt, dass mehrschichtige und rekurrente Netze die Probleme verkomplizieren, insbesondere wenn genetische Algorithmen die Gewichte von ANNs erzeugen, da direkte Kenntnisse über die konkrete Funktionsweise erforderlich sind. Einige Techniken wie CART und C 4.5 haben transparente Modelle hervorgebracht, die zwar nachvollziehbare Ergebnisse liefern, aber nicht sehr genau sind. Wir möchten einige Perspektiven zur Regelextraktion (RE) aufzeigen, durch die wir ANN Erklärungsmöglichkeiten hinzufügen können.