Abstraktionen um approximative Evaluation von Bedingungen zu ermöglichen

[mrapp-ke]

Bisher ist die Evaluation der Bedingungen, die zu einer Regel hinzugefügt werden können, ausschließlich in rule_induction.pyx implementiert. Dabei wird auf die Featurewerte der Trainingsbeispiele zugegriffen, indem mit Hilfe der Funktion fetchSortedFeatureValues der Klasse AbstractFeatureMatrix ein sortiertes Array von Tupeln, jeweils bestehend aus dem Index eines Trainingsbeispiels und dem dazugehörigen Featurewert, erstellt wird. Über dieses Array wird anschließend iterieriert um die potentiellen Bedingungen zu evaluieren. Um zukünftig approximative Verfahren implementieren zu können, bei denen nicht jedes Beispiel individuell betrachtet wird, sondern mehrere Beispiele zusammengefasst werden (siehe #226), muss die bisherige Implementierung umgestaltet werden, indem geeignete Abstraktionen eingeführt werden, die den Austausch einzelner Aspekte des Algorithmus ermöglichen.

Zu den notwendigen Änderungen gehören folgende Aspekte:

• Auslagerung der Suche nach dem besten Refinement für ein Feature in eine eigene Klasse AbstractRuleRefinement
• Auslagerung des Zugriffs auf die Featurewerte der Trainingsbeispiele (inklusive Caches) in eine eigene Klasse AbstractThresholds
• Möglichkeit zur Filterung der Trainingsbeispielse zu der Klasse AbstractThresholds hinzufügen
• Möglichkeit zur Anwendung der Vorhersagen einer neuen Regel in Klasse AbstractThresholds hinzufügen
• Anpassung des Prunings so dass die Thresholds aus AbstractThresholds verwendet werden