O avanço de algumas áreas como computação e comunicação de dados, bem como a busca incessante pelo domínio das informações, contribui para aumentar cada vez mais as pesquisas relacionadas com aquisição de conhecimento, tema central da área de Inteligência Artificial. A aquisição implícita de conhecimento é realizada utilizando-se algoritmos de Aprendizado de Máquina. No caso de algoritmos simbólicos supervisionados, o conhecimento adquirido é representado em estruturas lógicas, tais como regras do tipo se então, que são entendíveis pelo ser humano. Quando o número de regras é elevado, ou as regras consideram muitas condições no seu corpo, torna-se difícil, ao ser humano, a análise desse conhecimento. Uma solução para esta questão é o desenvolvimento de boas medidas de avaliação de regras. Independentemente da quantidade de regras, essas medidas ajudam a selecionar aquelas que são mais úteis e interessantes, pois parte do conhecimento adquirido dos exemplos pode ser muito óbvio ou irrelevante. Neste trabalho são discutidas algumas medidas propostas na literatura, com a finalidade de auxiliar o usuário no entendimento e utilização proveitosa do conhecimento adquirido. Com base nos estudos realizados foi projetado e implementado um sistema computacional, denominado 7.0 system , para auxiliar na avaliação dessas regras de conhecimento. 0 RQsystem foi desenvolvido na linguagem de programação lógica Prolog e consiste de dois módulos principais. O primeiro é responsável pelo pré-processamento dos dados de entrada. O segundo módulo é responsável por fornecer diversar informações pré-definidas no sistema ou construídas e formuladas pelo usuário. o TZQsystern está descrito neste trabalho utilizando um pequeno conjunto de dados do mundo real e as regras geradas pelos algoritmos de Aprendizado de Máquina C.111-2 e C4.5. Esse sistema tem características interessantes que lhe conferem uma boa utilidade tanto na avaliação de regras quanto no estudo de outras questões relacionadas com as regras. Extensões futuras do sistema poderão ser particularmente úteis em Data Mining.

The field of Machine Learning (ML) is concerned with the development of computational methods to implement various forms of learning, in particular methods capable of inducing knowledge from examples, i.e. determining a concept description from a set of provided concept examples. Learning algorithms can generally be classified into one of two,major categories: black-box methods and knowledge-oriented methods. The description produced by the black-box approach cannot be easily interpreted by the user and does not provide explanation of the recognition process. On the other hand, knowledgeoriented methods aim at creating symbolic knowledge structures that satisfy the principie of comprehensibility, providing explanation of the recognition process. In this work we consider knowledge-oriented ML algorithms that express the discovered concept in the form of if-then rules. An important problem is related to the reliability, quality and interestingness of the rules generated by these algorithms. Still, when the quantity of mie generated is lane, the selection of good rules can became a serious problem for the human user. In this work we present and discuss several measures that can provide useful support in interpreting and ranking the rules generated by Machine Learning algorithms. These measures were implemented in a computational system called R.Qsystem. The system uses as input a common file format for data sets and features description which is independent of the ML algorithm used to generate the if-then rules. The file format for the rules generated is algorithm dependent. The R.Qsystem has been implemented in Prolog and it is query-centered, permitting the user to specify any constraints on the desired result of a query. The user can either specify the constraints in terms of procedures already implemented in the system or can define his/her new procedures to be considered as new constraints. The RQsystem is described in this work using a small real world data set and the rules generated by CAI2 and C4.5 Machine Learning algorithms. Future extensions to the system that, we consider will be particularly useful in Data Mining are also discussed.