我有一大组数据。数据有 13 个参数，这些参数相互依赖，依赖关系由一些规则建立。
示例：- 如果说parameter_one是"A"，parameter_two是"B"，并且有规则规定parameter_one==A和parameter_two==B=>parameter_three==C，那么parameter_three应该是C(理想情况下(。所以，基本上是很多if/else语句。
现在，我只有数据，我们必须让机器学习模型学习规则，这样每当任何不遵守规则的数据出现时：- 如上例所示，如果parameter_three是"D"而不是"C"，那么它就违反了规则。如何让模型学习这些规则？
此外，规则不能手动编写，因为有很多规则并且无法扩展。
我的尝试
我想使用自动编码器并通过它传递训练数据。之后，对于每个数据，我们将使用重建损失来检查它是否是违规案例。但是，它过度拟合并且不能很好地处理测试数据。
我以前也尝试过使用深度神经网络，但它在那里没有帮助。谁能在这里帮我？
提前谢谢。
您可以使用关联规则挖掘算法(如 Apriori 或 FP-Growth (来生成频繁的项目集。
从常用项集中，可以生成关联规则。
获得关联规则后，您可以为每个规则分配权重(或使用一些参数，如规则的置信度/提升度(。
如果要在新数据条目上对其进行测试，请执行加权求和(如果新条目满足规则，请使用规则的权重计算新条目的分数/总和(。
如果新条目生成的分数大于所选阈值，则可以说新条目通过了预设规则，否则将违反规则。
加权求和使您可以灵活地为关联规则分配重要性。您也可以这样做，如果新条目甚至不满足其中一个关联规则，则违反了预设规则。