我有大量数据。数据具有13个参数，这些参数相互依赖，并且依赖关系由某些规则建立。
示例：-如果说parameter_one为“ A”，parameter_two为“ B”，并且有规则说明parameter_one == A和parameter_two == B => parameter_three == C，则parameter_three应该为C（理想情况下） ）。因此，基本上是很多if / else语句。
现在，我只拥有数据，我们必须使机器学习模型学习规则，以便每当有任何不遵守规则的数据出现时：-如上例所示，如果parameter_three本来是' D”而不是“ C”，则违反了该规则。如何使模型学习这些规则？
此外，由于存在很多规则且无法扩展，因此无法手动编写规则。
我的尝试
我想到了使用自动编码器并通过它传递训练数据。之后，对于每个数据，我们将使用重建损失来检查是否属于违规案例。但是，它过度拟合，无法在测试数据上很好地工作。
我以前也曾尝试使用深度神经网络，但在那儿没有帮助。有人可以帮我从这里出去吗？
谢谢。
答案 0 :(得分：0)
您可以使用Apriori或FP-Growth之类的关联规则挖掘算法来生成频繁项集。
从常用项目集中，您可以生成关联规则。
一旦有了关联规则，就可以为每个规则分配权重（或使用一些参数，例如规则的置信度/提升度）。
要在新数据条目上进行测试时，请进行加权求和（如果新条目满足规则，则使用规则的权重来计算新条目的得分/总和）。
如果为新条目生成的分数大于所选阈值，则可以说新条目通过了预设规则，否则违反规则。
加权求和使您可以灵活地为关联规则分配重要性。您也可以这样做，如果新条目甚至不满足其中一个关联规则，则它违反了预设规则。