Обучение на реляционных данных

Настройки Многие алгоритмы работают с одним отношением или таблицей, в то время как многие реальные базы данных хранят информацию в нескольких таблицах (Domingos, 2003).

Вопрос: Какие типы алгоритмов хорошо усваиваются из нескольких (реляционных) таблиц. В частности, меня интересуют алгоритмы, применимые к задачам регрессии и классификации (не ориентированные на сетевой анализ, например, прогнозирование канала).

Мне известно о нескольких подходах, перечисленных ниже (но я уверен, что мне не хватает некоторых):

• Мульти-реляционный интеллектуальный анализ данных (MRDM) (Dzeroski, 2002)
• Индуктивное логическое программирование (ILP) (Muggleton, 1992)
• Статистическое реляционное обучение (SRL) (Getoor, 2007)

Джероски, С. (2003). Интеллектуальный интеллектуальный анализ данных: введение. Информационный бюллетень ACM SIGKDD.

Гетур, Лиз и Бен Таскар, ред. Введение в статистическое реляционное обучение. MIT press, 2007.

С. Магглтон и С. Фенг. Эффективная индукция логических программ. В материалах Первой конференции по теории алгоритмического обучения, стр. 368–381. Омша, Токио, 1990.

Я начал изучать эту тему, прочитав эту статью: Macskassy, ​​S. & Provost, F. (2003). Простой реляционный классификатор . Мой советник сказал мне, что это самый простой классификационный подход в реляционном обучении, который он знает.

Это хорошая вводная книга: De Raedt, Luc, ed. Логическое и реляционное обучение . Springer, 2008.

Попробуйте использовать ACE для TILDE и WARMR.