遗传编程 - 健身功能

Question

比方说，我有一组的训练实例，其中A_I是一个属性，结果是二进制（是或否）：

A1,    A2,    A3,    Outcome 
red    dark   large   yes 
green   dark   small   yes 
orange   bright   large   no 

我知道我必须定义适应度函数，这个问题是什么？在我的实际问题中有10个参数和100个训练样例，但这是一个类似的问题。

Answer 1

我认为这里的困惑来自这样一个事实，即通常的健身功能会给你一些标量，有时候是离散的，但从不是二进制是/否（或真/假）。从这个意义上讲，这看起来更像是一个需要用神经网络（或者贝叶斯逻辑）解决的“分类”问题。这样说，你当然可以设计一个GA来演化任何类型的分类器，并且适应度函数基本上可以用正确的分类来表示，而不是整个评估。

对此的另一个纯GA方法 - 可能与问题更相关 - 是将整个分类规则集作为遗传算法的给定个体编码在。从这个意义上讲，适应度函数可以表示为一个标量，表示给定的候选解决方案在总数上有多少是/否分类，等等。类似的方法可以在本文中找到Using Real-Valued Genetic: Algorithms to Evolve R,de Sets for Classification。

实施例（的可能的方式来编码这一个）：

A1,    A2,    A3,    Outcome 
red    dark   large   yes 
green   dark   small   yes 
orange   bright   large   no 

编码：红= 000，暗= 001，大= 010，绿色= 011，小= 100，橙= 101，亮= 111，等 结果：是= 1，无= 0

染色体：

A1,    A2,    A3,    Outcome 
000    001    010    1 
011    001    100    1 
101    111    010    0 

的上述所有被转换为一个候选解决方案为：

000001010-1/011001100-1/101111010-0 

你会产生这些随机的一群，发展他们无论怎样，你通过（在规则集正确分类/总分类）测试健身整个规则集的（这里要小心选择你的交叉战略喜欢！ ）。

我还建议你听一听binary solo，让你心情愉快。

注意：我很怀疑这将与仅 3的规则，没有足够广度的GA组成的规则集工作。