逻辑学习机

逻辑学习机（LLM）是一种基于生成可理解规则的机器学习方法。LLM是切换神经网络（SNN）范式的有效实现，由意大利国家研究委员会CNR-IEIIT在热那亚的高级研究员MarcoMuselli开发。

开关神经网络方法是在20世纪90年代开发的，以克服最常用的机器学习方法的缺点。特别是黑箱方法，如多层感知器和支持向量机，具有良好的准确性，但不能对所研究的现象提供深入的洞察力。另一方面，决策树能够描述这一现象，但往往缺乏准确性。切换神经网络利用布尔代数来构建可理解的规则集，能够获得非常好的性能。

此外，还开发了一个专门用于回归问题的LLM版本。一般来说，与其他机器学习方法一样，LLM使用数据来建立一个模型，能够对未来的行为进行良好的预测。LLM从一个包括目标变量（输出）和一些输入的表格开始，生成一组规则，返回输出值后果包含输出值，而前提包括一个或多个输入的条件。根据输入类型，条件可以有不同的形式。对于分类变量，输入值必须在一个给定的子集中：X

根据输出类型，已经开发了不同版本的逻辑学习机。用于分类的逻辑学习机，当输出为分类变量时，可以在有限集合中取值用于回归的逻辑学习机，当输出为整数或实数时。