我有一个关于回归的问题，但我不确定该如何进行。请考虑以下数据集，其中A、B、C和D是属性（特征），每行有一个决策变量Dec：

  A   B   C   D   Dec  a1  b1  c1  d1  Y  a1  b2  c2  d2  N  a2  b2  c3  d2  N  a2  b1  c3  d1  N  a1  b3  c2  d3  Y  a1  b1  c1  d2  N  a1  b1  c4  d1  Y

给定这样的数据，我希望找出最简洁的规则，使Dec的值为Y。例如，A=a1 AND B=b1 AND D=d1 => Y。

我希望能够为这些规则的精确度设定阈值，以便根据我的需求进行筛选。例如，我希望看到所有精确度至少达到90%的规则。这可以帮助我更好地压缩规则。上述规则的精确度为100%，而B=b1 AND D=d1 => Y的精确度为66%（在第4行出错）。

模糊地看，这似乎类似于构建决策树并找出以Y结尾的路径。如果我理解正确的话，构建回归模型可以告诉我哪些属性最重要，但我需要的是导致Y的属性实际值的组合。

属性值是多值的，但这不是一个硬性约束。我甚至可以假设它们是布尔值。

现有的工具如Weka或R中是否有任何库可以帮助我？

此致

回答：

我认为这不是一个回归问题。这似乎是一个分类问题，你试图分类Y或N。你可以构建集成学习器，如Adaboost，看看决策如何从一棵树变化到另一棵树，或者你可以做一些像弹性网逻辑回归的事情，看看最终的权重是什么。