Vì vậy, chúng tôi có tiềm năng cho một ứng dụng học máy phù hợp khá gọn gàng với miền vấn đề truyền thống được giải quyết bởi các bộ phân loại, tức là chúng tôi có một tập hợp các thuộc tính mô tả một mục và một "nhóm" mà chúng kết thúc. Tuy nhiên, thay vì tạo các mô hình về xác suất như trong Naive Bayes hoặc các phân loại tương tự, chúng tôi muốn đầu ra của chúng tôi là một tập hợp các quy tắc gần như dễ đọc của con người có thể được xem xét và sửa đổi bởi người dùng cuối.
Học quy tắc kết hợp trông giống như họ các thuật toán giải quyết loại vấn đề này, nhưng các thuật toán này dường như tập trung vào việc xác định các kết hợp phổ biến của các tính năng và không bao gồm khái niệm về nhóm cuối cùng mà các tính năng đó có thể chỉ ra. Ví dụ: tập dữ liệu của chúng tôi trông giống như thế này:
Item A { 4-door, small, steel } => { sedan }
Item B { 2-door, big, steel } => { truck }
Item C { 2-door, small, steel } => { coupe }
Tôi chỉ muốn các quy tắc có nội dung "nếu nó lớn và 2 cửa, thì đó là xe tải", chứ không phải quy tắc "nếu là 4 cửa thì nó cũng nhỏ".
Một cách giải quyết khác mà tôi có thể nghĩ đến là chỉ cần sử dụng thuật toán học quy tắc kết hợp và bỏ qua các quy tắc không liên quan đến nhóm kết thúc, nhưng điều đó có vẻ hơi khó hiểu. Tôi đã bỏ lỡ một số thuật toán gia đình ngoài kia? Hoặc có lẽ tôi đang tiếp cận vấn đề không chính xác để bắt đầu?