There are several other algorithms

There are several other algorithms that are sensitive to test costs (Núñez, 1988, 1991; Tan &
Schlimmer, 1989, 1990; Tan, 1993; Norton, 1989). As we have discussed, the main limitation
of these algorithms is that they do not consider the cost of classification errors. We cannot
rationally determine whether a test should be performed until we know both the cost of
the test and the cost of classification errors.
There are also several algorithms that are sensitive to classification error costs (Breiman
et al., 1984; Friedman & Stuetzle, 1981; Hermans et al., 1974; Gordon & Perlis, 1989; Pazzani
et al., 1994; Provost, 1994; Provost & Buchanan, in press; Knoll et al., 1994). None of
these algorithms consider the cost of tests. Therefore they all focus on complex classification
cost matrices, since, when tests have no cost and the classification error matrix is simple, the
problem reduces to maximizing accuracy.
The FIS system (Pipitone et al., 1991) attempts to find a decision tree that minimizes the
average total cost of the tests required to achieve a certain level of accuracy. This approach
could be implemented in ICET by altering the fitness function. The main distinction between
FIS (Pipitone et al., 1991) and ICET is that FIS does not learn from data. The information
gain of a test is estimated using a qualitative causal model, instead of training cases. Qualitative
causal models are elicited from domain experts, using a special knowledge acquisition
tool. When training data are available, ICET can be used to avoid the need for knowledge
acquisition. Otherwise, ICET is not applicable and the FIS approach is suitable.
Another feature of ICET is that it does not perform purely greedy search. Several other
authors have proposed non-greedy classification algorithms (Tcheng et al., 1989; Ragavan &
Rendell, 1993; Norton, 1989; Schaffer, 1993; Rymon, 1993; Seshu, 1989). In general, these
results show that there can be an advantage to more sophisticated search procedures. ICET is
different from these algorithms in that it uses a genetic algorithm and it is applied to minimizing
both test costs and classification error costs.
ICET uses a two-tiered search strategy. At the bottom tier, EG2 performs a greedy search
through the space of classifiers. On the second tier, GENESIS performs a non-greedy search
through a space of biases. The idea of a two-tiered search strategy (where the first tier is
search in classifier space and the second tier is search in bias space) also appears in (Provost,
1994; Provost & Buchanan, in press; Aha & Bankert, 1994; Schaffer, 1993). Our work goes
beyond Aha and Bankert (1994) by considering search in a real bias space, rather than search
in a binary space. Our work fits in the general framework of Provost and Buchanan (in
press), but differs in many details. For example, their method of calculating cost is a special
case of ours (Section 2.3).
Other researchers have applied genetic algorithms to classification problems. For example,
Frey and Slate (1991) applied a genetic algorithm (in particular, a learning classifier system
(LCS)) to letter recognition. However, Fogarty (1992) obtained higher accuracy using a
simple nearest neighbor algorithm. More recent applications of genetic algorithms to classi-
fication have been more successful (De Jong et al., 1993). However, the work described here
is the first application of genetic algorithms to the problem of cost-sensitive classification.
We mentioned in Section 2.1 that decision theory may be used to define the optimal solution
to the problem of cost-sensitive classification. However, searching for the optimal solution
is computationally infeasible (Pearl, 1988). We attempted to take a decision theoretic
approach to this problem by implementing the AO* algorithm (Pearl, 1984) and designing a
heuristic evaluation function to speed up the AO* search (Lirov & Yue, 1991). We were
unable to make this approach execute fast enough to be practical.
We also attempted to apply genetic programming (Koza, 1993) to the problem of costsensitive
classification. Again, we were unable to make this approach execute fast enough to
be practical, although it was faster than the AO* approach.
The cost-sensitive classification problem, as we have treated it here, is essentially a
problem in reinforcement learning (Sutton, 1992; Karakoulas, in preparation). The average
cost of classification, measured as described in Section 2.2, is a reward/punishment signal
that could be optimized using reinforcement learning techniques. This is something that
might be explored as an alternative approach.

ผลลัพธ์ (ไทย) 1:

มีหลายอื่น ๆ อัลกอริทึมที่มีความไวต่อการทดสอบต้นทุน (Núñez, 1988, 1991 ตาลและSchlimmer, 1989, 1990 ตาล 1993 Norton, 1989) ดังที่เราได้กล่าวไว้ ข้อจำกัดหลักของอัลกอริทึมเหล่านี้เป็นที่ที่พวกเขาไม่พิจารณาต้นทุนของการจัดประเภทข้อผิดพลาด เราไม่สามารถกำหนดว่า ควรทำการทดสอบจนกระทั่งเรารู้ว่าต้นทุนทั้งสองของลูกการทดสอบและต้นทุนของการจัดประเภทข้อผิดพลาดนอกจากนี้ยังมีอัลกอริทึมต่าง ๆ ที่มีความไวต่อการจัดประเภทต้นทุนผิดพลาด (Breimanร้อยเอ็ด al., 1984 ฟรีดแมนและ Stuetzle, 1981 Hermans et al., 1974 Gordon และเปอร์ลิส 1989 Pazzaniร้อยเอ็ด al., 1994 Provost, 1994 Provost & buchanan ทำยอด ในกด Knoll et al., 1994) ไม่มีของอัลกอริทึมเหล่านี้พิจารณาต้นทุนของการทดสอบ ดังนั้น พวกเขาทั้งหมดเน้นประเภทซับซ้อนทุนเมื่อทุนไม่มีทดสอบ และเมตริกซ์การจัดประเภทข้อผิดพลาดง่าย เมทริกซ์ ตั้งแต่ การลดปัญหาการถูกต้องระบบ FIS (Pipitone et al., 1991) พยายามหาต้นไม้การตัดสินใจที่ช่วยลดการต้นทุนรวมเฉลี่ยของการทดสอบที่จำเป็นเพื่อให้บรรลุระดับของความถูกต้อง วิธีการนี้อาจจะดำเนินการใน ICET โดยดัดแปลงการทำงานออกกำลังกาย ความแตกต่างหลักระหว่างFIS (Pipitone et al., 1991) และ ICET ว่า FIS ไม่เรียนรู้จากข้อมูล ข้อมูลกำไรของการทดสอบมีประเมินโดยใช้แบบจำลองเชิงสาเหตุเชิงคุณภาพ แทนกรณีฝึก เชิงคุณภาพแบบจำลองเชิงสาเหตุมี elicited จากผู้เชี่ยวชาญโด ใช้ซื้อความรู้พิเศษเครื่องมือการ เมื่อข้อมูลการฝึกอบรม ICET สามารถใช้เพื่อหลีกเลี่ยงการต้องการความรู้การซื้อ มิฉะนั้น ICET ไม่สามารถใช้ได้ และเหมาะสมวิธี FISคุณลักษณะอื่นของ ICET คือ ว่า มันไม่ทำค้นหาตะกละเพียงอย่างเดียว หลายอื่น ๆผู้เขียนได้นำเสนอประเภทไม่ตะกละอัลกอริทึม (Tcheng et al., 1989 Ragavan และเรนเดลล์ 1993 Norton, 1989 Schaffer, 1993 Rymon, 1993 Seshu, 1989) ทั่วไป เหล่านี้ผลลัพธ์แสดงว่า อาจมีข้อดีของการค้นหาขั้นตอนที่ซับซ้อนมากขึ้น มี ICETแตกต่างจากอัลกอริทึมเหล่านี้ที่จะใช้ขั้นตอนวิธีพันธุกรรม และจะใช้เพื่อลดทดสอบทั้งต้นทุนและต้นทุนการจัดประเภทข้อผิดพลาดICET ใช้กลยุทธ์การค้นหาที่ชั้นสอง ที่ระดับล่าง EG2 ทำการค้นหาตะกละผ่านช่องว่างของคำนามภาษา บนชั้นสอง ปฐมกาลทำการค้นหาไม่โลภผ่านช่องว่างของยอม ความคิดของกลยุทธ์การค้นหาสองชั้น (ชั้นแรกค้นหาในพื้นที่ classifier และระดับที่สองคือ ค้นหาในพื้นที่ตั้ง) ใน (Provostปี 1994 Provost & buchanan ทำยอด ในกด Aha & Bankert, 1994 Schaffer, 1993) งานของเราไปนอกเหนือจากลเอและ Bankert (1994) โดยพิจารณาค้นในพื้นที่จริงตั้ง แทนที่ค้นหาในพื้นที่เป็นฐาน เหมาะกับงานของเราในกรอบทั่วไปของ Provost buchanan ทำยอดในกด), แต่แตกต่างในรายละเอียดมากขึ้น ตัวอย่าง วิธีการคำนวณต้นทุนเป็นพิเศษกรณีของเรา (หัวข้อ 2.3)นักวิจัยอื่น ๆ ได้ใช้อัลกอริทึมทางพันธุกรรมการจัดประเภทปัญหา ตัวอย่างFrey และกระดานชนวน (1991) ใช้ขั้นตอนวิธีพันธุกรรม (โดยเฉพาะ การเรียนรู้ระบบ classifier(LCS)) การรู้จำตัวอักษร อย่างไรก็ตาม Fogarty (1992) ได้ใช้ความแม่นยำสูงเป็นง่ายใกล้บ้านอัลกอริทึม ล่าสุดโปรแกรมของอัลกอริทึมพันธุ classi-fication ได้ประสบความสำเร็จ (De Jong et al., 1993) อย่างไรก็ตาม ทำงานอธิบายไว้ที่นี่เป็นแอพลิเคชันแรกของอัลกอริทึมทางพันธุกรรมการจัดประเภทต้นทุนความเรากล่าวใน 2.1 ส่วนที่ อาจใช้ทฤษฎีการตัดสินใจเพื่อกำหนดทางออกดีที่สุดปัญหาของการแบ่งประเภทต้นทุนความ อย่างไรก็ตาม การค้นหาโซลูชั่นเหมาะสมเป็น computationally ถอด (เพิร์ล 1988) เราพยายามที่จะใช้ตัดสิน theoreticวิธีการปัญหานี้ โดยใช้อ่าว * อัลกอริทึม (เพิร์ล 1984) และออกแบบฟังก์ชันแล้วประเมินเร็วอ่าว * ค้นหา (Lirov & หยู 1991) คำแนะนำไม่สามารถทำวิธีนี้ดำเนินการได้เร็วพอที่จะปฏิบัติเรายังพยายามที่จะใช้การเขียนโปรแกรมทางพันธุกรรม (Koza, 1993) การ costsensitiveจัดประเภทการ อีก เราไม่สามารถทำวิธีนี้ดำเนินการอย่างรวดเร็วพอเป็นจริง แม้ว่าจะเร็วกว่าวิธีอ่าว *ปัญหาการจัดประเภทต้นทุนสำคัญ เรามีถือว่าที่นี่ มันเป็นหลักการปัญหาในการเสริมสร้างการเรียนรู้ (ซัตตั้น 1992 Karakoulas ในการเตรียมการ) ค่าเฉลี่ยต้นทุนของการจัดประเภท วัดตามที่อธิบายไว้ในหัวข้อ 2.2 เป็นสัญญาณรางวัล/ลงโทษที่สามารถปรับให้เหมาะโดยใช้เทคนิคการเรียนรู้เสริมสร้างการ นี้เป็นสิ่งที่อาจสำรวจเป็นวิธีการอื่น

ผลลัพธ์ (ไทย) 2:

มีขั้นตอนวิธีการอื่น ๆ ที่มีความอ่อนไหวต่อค่าใช้จ่ายในการทดสอบ (Núñez, 1988, 1991; ตาลและ
Schlimmer 1989, 1990; ตาล 1993; นอร์ตัน 1989) ขณะที่เราได้กล่าวถึงข้อ จำกัด
หลักของขั้นตอนวิธีการเหล่านี้เป็นสิ่งที่พวกเขาไม่พิจารณาค่าใช้จ่ายข้อผิดพลาดของการจัดหมวดหมู่ เราไม่สามารถมีเหตุผลตรวจสอบว่าการทดสอบควรจะดำเนินการจนกว่าเราจะรู้ว่าทั้งค่าใช้จ่ายของการทดสอบและค่าใช้จ่ายข้อผิดพลาดของการจัดหมวดหมู่. นอกจากนี้ยังมีขั้นตอนวิธีการหลายอย่างที่มีความอ่อนไหวต่อค่าใช้จ่ายข้อผิดพลาดการจัดหมวดหมู่ (Breiman et al, 1984;. ฟรีดแมนและ Stuetzle, 1981; Hermans et al, 1974;. กอร์ดอนและปะลิส 1989; Pazzani et al, 1994;. พระครู 1994; & พระครูบูคานันในการกด; Knoll, et al, 1994). ไม่มีขั้นตอนวิธีการเหล่านี้พิจารณาค่าใช้จ่ายของการทดสอบ ดังนั้นพวกเขาจึงมุ่งเน้นไปที่การจัดหมวดหมู่ซับซ้อนการฝึกอบรมค่าใช้จ่ายตั้งแต่เมื่อการทดสอบไม่มีค่าใช้จ่ายและเมทริกซ์ข้อผิดพลาดการจัดหมวดหมู่เป็นเรื่องง่ายที่ปัญหาลดการเพิ่มความถูกต้อง. ระบบสถาบันการเงิน (Pipitone et al., 1991) ความพยายามที่จะหาต้นไม้ตัดสินใจที่ ช่วยลดค่าใช้จ่ายรวมเฉลี่ยของการทดสอบที่จำเป็นเพื่อให้บรรลุในระดับหนึ่งของความถูกต้อง วิธีการนี้อาจจะนำมาใช้ใน ICET โดยการเปลี่ยนฟังก์ชั่นการออกกำลังกาย ความแตกต่างที่สำคัญระหว่างสถาบันการเงิน (Pipitone et al., 1991) และ ICET คือการที่สถาบันการเงินไม่ได้เรียนรู้จากข้อมูล ข้อมูลกำไรจากการทดสอบเป็นที่คาดกันโดยใช้โมเดลเชิงสาเหตุเชิงคุณภาพแทนการกรณีการฝึกอบรม คุณภาพรูปแบบจะออกมาสาเหตุจากผู้เชี่ยวชาญโดเมนโดยใช้การเข้าซื้อกิจการมีความรู้พิเศษเครื่องมือ เมื่อข้อมูลการฝึกอบรมที่มี ICET สามารถนำมาใช้เพื่อหลีกเลี่ยงความจำเป็นสำหรับความรู้การเข้าซื้อกิจการ มิฉะนั้น ICET ไม่สามารถใช้ได้และวิธีการของสถาบันการเงินมีความเหมาะสม. คุณลักษณะของการ ICET ก็คือว่ามันไม่ได้ดำเนินการค้นหาโลภอย่างหมดจด อีกหลายคนที่ผู้เขียนได้เสนอขั้นตอนวิธีการจัดหมวดหมู่ที่ไม่โลภ (Tcheng et al, 1989;. Ragavan และแรนเดลล์, 1993; นอร์ตัน 1989; เชฟเฟอร์ 1993; Rymon 1993; Seshu, 1989) โดยทั่วไปเหล่านี้ผลการศึกษาพบว่าอาจมีความได้เปรียบในการค้นหาวิธีการที่ซับซ้อนมากขึ้น ICET คือแตกต่างจากขั้นตอนวิธีการเหล่านี้ในการที่จะใช้ขั้นตอนวิธีพันธุกรรมและจะถูกนำไปใช้ลดทั้งค่าใช้จ่ายในการทดสอบและการจำแนกค่าใช้จ่ายข้อผิดพลาด. ICET ใช้กลยุทธ์การค้นหาสองชั้น ที่ชั้นล่าง EG2 ดำเนินการค้นหาโลภผ่านพื้นที่ของตัวแยกประเภท บนชั้นสอง, GENESIS ดำเนินการค้นหาที่ไม่โลภผ่านพื้นที่ของอคติ ความคิดของกลยุทธ์การค้นหาสองชั้น (ที่ชั้นแรกคือการค้นหาในพื้นที่จําแนกและชั้นที่สองคือการค้นหาในพื้นที่อคติ) นอกจากนี้ยังปรากฏใน (พระครูปี1994 พระครูและบูคานันในการกด; Aha และ Bankert 1994; เชฟเฟอร์ 1993) การทำงานของเราไปเกิน Aha และ Bankert (1994) โดยพิจารณาการค้นหาในพื้นที่อคติจริงมากกว่าการค้นหาในพื้นที่ไบนารี เหมาะกับการทำงานของเราในกรอบทั่วไปของพระครูและ Buchanan (ในกด) แต่แตกต่างกันในรายละเอียดมาก ตัวอย่างเช่นวิธีการของพวกเขาในการคำนวณค่าใช้จ่ายเป็นพิเศษกรณีของเรา (ข้อ 2.3). นักวิจัยคนอื่นได้ใช้ขั้นตอนวิธีพันธุกรรมในการแก้ไขปัญหาการจัดหมวดหมู่ ยกตัวอย่างเช่นเฟรย์และชนวน (1991) ใช้ขั้นตอนวิธีทางพันธุกรรม (โดยเฉพาะอย่างยิ่งระบบการจําแนกการเรียนรู้ (LCS)) เพื่อการรับรู้ที่ตัวอักษร แต่โฟการ์ตี (1992) ที่ได้รับความถูกต้องสูงโดยใช้อัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุดที่เรียบง่าย การใช้งานอื่น ๆ ที่ผ่านมาของขั้นตอนวิธีทางพันธุกรรมเพื่อ classi- การตรวจได้รับความสำเร็จมากขึ้น (De Jong et al., 1993) แต่งานที่อธิบายที่นี่เป็นโปรแกรมแรกของขั้นตอนวิธีทางพันธุกรรมในการแก้ไขปัญหาของการจำแนกค่าใช้จ่ายที่สำคัญ. เรากล่าวถึงในมาตรา 2.1 ทฤษฎีการตัดสินใจที่อาจจะใช้ในการกำหนดทางออกที่ดีที่สุดในการแก้ไขปัญหาของการจำแนกค่าใช้จ่ายที่มีความละเอียดอ่อน แต่หาทางออกที่ดีที่สุดคือคอมพิวเตอร์ไปไม่ได้ (เพิร์ล 1988) เราพยายามที่จะใช้การตัดสินใจทฤษฎีวิธีการที่จะแก้ไขปัญหานี้โดยการใช้อัลกอริทึม * AO (เพิร์ล, 1984) และการออกแบบฟังก์ชั่นการประเมินผลการแก้ปัญหาเพื่อเพิ่มความเร็วในการค้นหา* AO (Lirov และยู 1991) เรามีความสามารถที่จะทำให้วิธีการนี้ดำเนินการอย่างรวดเร็วพอที่จะปฏิบัติ. นอกจากนี้เรายังพยายามที่จะใช้โปรแกรมทางพันธุกรรม (Koza, 1993) การแก้ไขปัญหาของ costsensitive การจัดหมวดหมู่ อีกครั้งเราก็ไม่สามารถที่จะทำให้วิธีการนี้ดำเนินการเร็วพอที่จะเป็นจริงแม้ว่ามันจะเร็วกว่า AO วิธี *. ปัญหาการจำแนกค่าใช้จ่ายที่มีความสำคัญที่เราได้รับการรักษาที่นี่เป็นหลักปัญหาในการเสริมการเรียนรู้ (ซัตตัน 1992; Karakoulas ในการเตรียมการ) ค่าเฉลี่ยของค่าใช้จ่ายในการจัดหมวดหมู่วัดที่อธิบายไว้ในมาตรา 2.2 เป็นรางวัล / สัญญาณการลงโทษที่สามารถเพิ่มประสิทธิภาพการใช้เทคนิคการเรียนรู้การเสริมแรง นี่คือสิ่งที่อาจจะมีการสำรวจเป็นวิธีทางเลือก

ผลลัพธ์ (ไทย) 3:

มีวิธีการอื่น ๆหลายที่ไวต่อการทดสอบค่าใช้จ่าย ( N úñ EZ , 1988 , 1991 ; แทน&
schlimmer , 1989 , 1990 ; แทน , 1993 ; Norton , 1989 ) ในฐานะที่เราได้กล่าวถึง หลักข้อ
ขั้นตอนวิธีเหล่านี้ก็คือพวกเขาไม่พิจารณาต้นทุนของการผิดพลาด เราไม่สามารถ
เหตุผลตรวจสอบว่าทดสอบควรดำเนินการจนกว่าเราจะรู้ต้นทุน
ทดสอบและต้นทุนของการผิดพลาด
ยังมีขั้นตอนวิธีหลายที่ไวต่อข้อผิดพลาดการจำแนกต้นทุน ( breiman
et al . , 1984 ; ฟรีดแมน& stuetzle , 1981 ; เ ร์มันส์ et al . , 1974 ; กอร์ดอน& Pennsylvania , 1989 ; pazzani
et al . , 1994 ; ประธาน , 1994 ; พระครู& Buchanan , กด โคก et al . , 1994 ) ไม่มี
ขั้นตอนวิธีเหล่านี้พิจารณาต้นทุนของการทดสอบดังนั้นพวกเขาทั้งหมดมุ่งเน้นไปที่หมวดหมู่
ต้นทุนเมทริกซ์ เนื่องจากเมื่อการทดสอบไม่มีต้นทุนและการจำแนกประเภทข้อผิดพลาดเมทริกซ์ง่าย

ปัญหาลดเพื่อเพิ่มความถูกต้อง ระบบสถาบันการเงิน ( pipitone et al . , 1991 ) พยายามหาต้นไม้ที่ช่วยลดการตัดสินใจ
ต้นทุนรวมเฉลี่ยของการทดสอบที่ต้อง บรรลุระดับของความถูกต้อง วิธีการนี้
สามารถใช้ใน icet โดยการเปลี่ยนฟังก์ชันฟิตเนส ความแตกต่างหลักระหว่าง
6 ( pipitone et al . , 1991 ) และ icet มันปรับไม่ได้เรียนรู้จากข้อมูล ข้อมูล
ได้รับของการทดสอบคือประมาณโดยใช้แบบจำลองเชิงสาเหตุเชิงคุณภาพแทนกรณีการฝึกอบรม โมเดลเชิงสาเหตุ
จะได้มาจากโดเมนผู้เชี่ยวชาญ โดยใช้ความรู้พิเศษซื้อ
เครื่องมือเมื่อข้อมูลการฝึกอบรมจะพร้อมใช้งาน icet สามารถใช้เพื่อหลีกเลี่ยงความต้องการแสวงหาความรู้

มิฉะนั้น icet ไม่สามารถใช้ได้ และปรับแนวทางที่เหมาะสม icet
คุณลักษณะอื่นคือว่ามันไม่แสดงการค้นหาหมดจด โลภ กรุงเทพฯ
หลายมีการเสนอไม่โลภการจำแนกขั้นตอนวิธี ( tcheng et al . , 1989 ; ragavan &
เรนเดล , 1993 ; Norton , 1989 ; rymon แชฟเฟอร์ , 1993 ; ,1993 ; seshu , 1989 ) โดยทั่วไปผลลัพธ์เหล่านี้
มีสามารถเป็นประโยชน์เพื่อการค้นหาที่ซับซ้อนมากขึ้น icet คือ
ต่างจากขั้นตอนวิธีเหล่านี้ในการที่จะใช้ขั้นตอนวิธีทางพันธุกรรมและมันถูกใช้เพื่อลดต้นทุนและการจำแนกประเภท
ทั้งทดสอบข้อผิดพลาดค่าใช้จ่าย .
icet ใช้สองระบบค้นหากลยุทธ์ ในระดับล่าง eg2 ออกท่า
ค้นหาตะกละผ่าน พื้นที่ คือ ในระดับที่สอง การกำเนิด การไม่โลภค้นหา
ผ่านช่องว่างของ biases ความคิดของฉัตรสองกลยุทธ์การค้นหา ( ที่ระดับแรกคือ
ค้นหาในพื้นที่ 1 และระดับที่สองคือการค้นหาในพื้นที่อคติ ) ยังปรากฏใน ( พระครู
, 1994 ; พระครู& Buchanan , กด ฮ่า&แบงเคิร์ท , 1994 ; เชเฟอร์ , 1993 ) ทำงานของเราไป
นอกจาก AHA และแบงเคิร์ท ( 1994 ) โดยพิจารณาการค้นหาในพื้นที่อคติจริง มากกว่าการค้นหา
ในพื้นที่ไบนารี งานของเราพอดี ในกรอบทั่วไปของประธานและ บูคานัน (
กด แต่แตกต่างในรายละเอียดมาก ตัวอย่าง วิธีคำนวณค่าใช้จ่ายเป็นกรณีพิเศษ
ของเรา ( ส่วนที่ 2 ) .
นักวิจัยอื่น ๆ ได้ประยุกต์ขั้นตอนวิธีเชิงพันธุกรรมสำหรับปัญหาการจำแนกประเภท ตัวอย่างเช่น
เฟรย์และหินชนวน ( 1991 ) เป็นขั้นตอนวิธีเชิงพันธุศาสตร์ประยุกต์ ( โดยเฉพาะแบบการเรียนรู้ระบบ
( LCS ) จดหมายยอมรับ อย่างไรก็ตาม ฟอการ์ที่ ( 1992 ) ได้รับความถูกต้องสูงกว่าการใช้
ง่ายๆเพื่อนบ้านที่ใกล้ที่สุดขั้นตอนวิธี เพิ่มเติมล่าสุด การใช้งานของขั้นตอนวิธีพันธุกรรมเพื่อ classi -
fication ประสบความสำเร็จมากขึ้น ( de Jong et al . , 1993 ) อย่างไรก็ตาม งานที่อธิบายไว้ที่นี่
เป็นโปรแกรมแรกของขั้นตอนวิธีเชิงพันธุกรรมสำหรับปัญหาของค่าใช้จ่ายหมวดหมู่ที่ละเอียดอ่อน
เรากล่าวถึงใน 2.1 ส่วนที่ทฤษฎีการตัดสินใจอาจจะถูกใช้เพื่อกำหนดโซลูชั่นที่เหมาะสมกับปัญหาของค่า
หมวดหมู่ที่ละเอียดอ่อน อย่างไรก็ตาม ค้นหาโซลูชั่นที่เหมาะสม
ซึ่งมันเป็นไปไม่ได้ ( ไข่มุก , 1988 ) เราพยายามที่จะใช้ทฤษฎีการตัดสินใจ
วิธีการแก้ปัญหานี้โดยการใช้อัลกอริทึมาว * ( ไข่มุก , 1984 ) และการออกแบบ
การประเมินผลการทำงานฮิวริสติกเพื่อเพิ่มความเร็วในการค้นหาอ่าว * ( lirov & Yue , 1991 ) เราไม่สามารถที่จะทำให้วิธีการนี้รัน

เร็วพอที่จะเป็นประโยชน์ เรายังพยายามที่จะใช้โปรแกรมเชิงพันธุกรรม ( โคซา , 1993 ) ปัญหาของการ costsensitive

อีกครั้งเราไม่สามารถที่จะให้วิธีการนี้รันเร็วพอที่จะ
เป็นประโยชน์ แต่มันก็เร็วกว่าวิธีการอ่าว * .
การจำแนกต้นทุนที่มีปัญหา เราต้องถือว่านี่เป็นหลัก
ปัญหาในการเรียนรู้แบบเสริมกำลัง ( Sutton , 1992 ; karakoulas ในการเตรียม ) ต้นทุนเฉลี่ย
การจำแนกการวัดที่อธิบายไว้ในมาตรา 2.2 เป็นรางวัลตอบแทนและการลงโทษสัญญาณ
ที่สามารถเพิ่มประสิทธิภาพการใช้เทคนิคการเสริมแรงการเรียนรู้ นี่คือสิ่งที่
อาจจะสำรวจเป็นวิธีการทางเลือก