Key points are not available for this paper at this time.
Obwohl sie aus Rohdaten lernen können, erfordern viele Konzepte-Lernalgorithmen, dass die Trainingsdaten nur diskrete Daten enthalten. In der realen Welt enthalten Probleme jedoch häufiger sowohl numerische als auch diskrete Daten. Bevor diese Algorithmen angewendet werden können, ist daher eine Daten-Diskretisierung (Quantisierung) erforderlich. Dieses Papier führt X2R ein, einen einfachen und schnellen Algorithmus, der sowohl auf numerische als auch auf diskrete Daten angewendet werden kann und Regeln aus Datensätzen erstellen kann, wie z. B. Saisonklassifikation und Golfspielen, die kontinuierliche und/oder diskrete Daten enthalten. Die empirischen Ergebnisse zeigen, dass X2R effektiv Regeln aus den Rohdaten generieren und in Bezug auf die Qualität der Regeln und die zeitlichen Komplexitäten besser abschneiden kann als einige seiner Peers.
Liu et al. (Sun,) untersuchten diese Frage.