-
1规则：1R。
建立一个只对单个属性进行测试的规则，并进行不同的分支。每一个分支对应一个不同的属性值。分支的类就是训练数据在这个分支上出现最多的类。这种方法能够容易地计算出规则的误差率。只要计算在训练数据上产生的错误，即，统计不属于多数类的实例数量。
每个属性都能产生一个不同的规则集，每条规则对应这个属性的每个值。对每一个属性的规则集的误差率进行评估，从中选出性能最好的一个。一个属性对应一个规则集。
给出每个规则产生的错误分类的数量，以及整个规则集产生的错误分类的数量。1R选择所产生的规则集的错误数量最小的属性，就是第一和第三个规则集。
残缺值和数值属性。将残缺值作为一类。离散存在一个严重问题是，有可能形成大量的类别范畴。1R算法将自然地倾向于选择能被分类成很多范畴的属性，因为它会将数据集分类成很多部分，所以实例与它们各自所在部分的多数类同属一类的可能性增大。
至少包括3个样本数量的规则约束后，再进行不断分割，拥有相同的多数类时，可以合并。
今天我们学习到了1R方法，一个一层的决策树，它的叶子代表不同的类。一个表达力稍强的技术是对每类使用一个不同的规则。每一个规则是几个测试的逻辑与，每个测试与一个属性相对应。
当一些属性拥有的可能值的数量很大，从而使分支的路径增加，产生出很多子节点时，计算信息增益会出现一个问题。当数据集的某个属性对于每一个实例存在一个不同属性值时，譬如，一个标识码属性。
PRISM法来创建规则。
关联规则
项集问题