IBLE算法

銑刀容量是一個不依賴於訓練集中正，反例的特徵取值的選擇量。 bile選擇一組重要特徵建立規則，作為決策樹的節點。 這樣，用多個特徵組合成規則的節點來鑑別實例，能夠有效地正確判別。

IBLE(Information Based Learning of Examples)方法是基於資訊理論的示例學習方法，利用資訊理論中信道容量的概念作為對實體中選擇重要特徵的度量。銑刀容量是一個不依賴於訓練集中正，反例的特徵取值的選擇量。這樣，信道容量克服了互信息依賴正，反比例的缺點。bile選擇一組重要特徵建立規則，作為決策樹的節點。這樣，用多個特徵組合成規則的節點來鑑別實例，能夠有效地正確判別。
IBLE方法從訓練集歸納出一棵決策規則樹，樹中每個節點都由多個特徵組成。特徵的選取是通過計算各特徵信道容量來進行的。各特徵的正比例標準由解碼函式決定。節點中判別正，反例的閾值由實例中權值變化的規律來確定。
此算法由四部分組成：預處理，建決策樹算法，建規則算法和類別判定算法。IBLE的規則與專家知識在內容上有較高的一致性，用IBLE獲取的知識建立的專家系統對實例的判別提供了良好的條件。