Как … использовать знания предметной области и объектно-ориентированное программирование (ООП) для создания гибридных моделей машинного обучения … управляемые модели машинного обучения отлично подходят для прогнозирования в условиях неопределенности; они выбирают шаблоны из прошлых данных и точно экстраполируют их в будущее. Тем не менее, существует много областей, в которых некоторые из всех возможных результатов не являются двусмысленными … Любой … проект по машинному обучению начинается с объединения знаний в предметной области — процесса сбора соответствующей информации … Во многих областях … вы можете вывести простые детерминированные правила из уже существующих процессов … Алгоритмы на основе дерева решений пытаются предсказать целевую переменную, изучая правила принятия решений, полученные из предоставленных данных. Правила принятия решений невероятно просты; они представляют собой последовательность разбиений данных с использованием только основных логических операторов =, <,>, ≤, ≥. … форматируем правила как словарь … Ключи словаря представляют имена столбцов объектов, к которым мы хотим применить наши правила. Значения словаря представляют собой списки кортежей, каждый из которых представляет уникальное правило. Первый элемент кортежа — это логический оператор правила, второй — критерий разделения, а последний объект — это значение, которое модель должна вернуть, если правило применимо. Подгонка … перебирает ключи словаря правил и, наконец, каждое уникальное правило. В каждом правиле, в зависимости от логического оператора, оно сужает фрейм данных … Метод прогнозирования работает аналогично методу соответствия …
https://towardsdatascience.com/hybrid-rule-based-machine-learning-with-scikit-learn-9cb9841bebf2
МЕТАМОДЕЛИРОВАНИЕ 