第一章 绪论 笔记
基本术语
假设空间
训练集中的全部特征的可能取值所形成的假设,加上 ∅ \emptyset ∅(指根本不存在“正例”这个概念) 这种极端假设,所形成的集合叫做假设空间。
版本空间
在假设空间中删除与正例不一致的假设、和(或)与反例一致的假设,最终将会获得一个能够对所有训练集样本正确分类的一个假设集合,这个集合叫做版本空间。
数据集(训练集)
编号 | 色泽 | 根蒂 | 敲声 | 好瓜 |
---|---|---|---|---|
1 | 青绿 | 蜷缩 | 浊响 | 是 |
2 | 乌黑 | 蜷缩 | 浊响 | 是 |
3 | 青绿 | 硬挺 | 清脆 | 否 |
4 | 乌黑 | 稍蜷 | 沉闷 | 否 |
习题解答
1.1 表1.1中若只包含编号为1和4两个样例,试给出相应的版本空间.
- 若只包含1和4,则训练集如下:
编号 | 色泽 | 根蒂 | 敲声 | 好瓜 |
---|---|---|---|---|
1 | 青绿 | 蜷缩 | 浊响 | 是 |
4 | 乌黑 | 稍蜷 | 沉闷 | 否 |
- 因为版本空间是假设空间经过删除与正例不一致的假设、和(或)与反例一致的假设所形成的,所以要得到假设空间:
色泽、根蒂、敲声 分别有2、2、2种可能取值,有可能每个特征的特征值无论取什么值都合适,此外再加上 ∅ \emptyset ∅ 情况,所以假设空间规模大小为(2+1) × \times ×(2+1) × \times ×(2+1)+1 = 28,如下:
假设1 色泽=\*,根蒂=\*,敲声=\*
假设2 色泽=\*,根蒂=\*,敲声=浊响
假设3 色泽=\*,根蒂=\*,敲声=沉闷
假设4 色泽=\*,根蒂=蜷缩,敲声=\*
假设5 色泽=\*,根蒂=蜷缩,敲声=浊响
假设6 色泽=\*,根蒂=蜷缩,敲声=沉闷
假设7 色泽=\*,根蒂=稍蜷,敲声=\*
假设8 色泽=\*,根蒂=稍蜷,敲声=浊响
假设9 色泽=\*,根蒂=稍蜷,敲声=沉闷
假设10 色泽=青绿,根蒂=\*,敲声=\*
假设11 色泽=青绿,根蒂=\*,敲声=浊响
假设12 色泽=青绿,根蒂=\*,敲声=沉闷
假设13 色泽=青绿,根蒂=蜷缩,敲声=\*
假设14 色泽=青绿,根蒂=蜷缩,敲声=浊响
假设15 色泽=青绿,根蒂=蜷缩,敲声=沉闷
假设16 色泽=青绿,根蒂=稍蜷,敲声=\*
假设17 色泽=青绿,根蒂=稍蜷,敲声=浊响
假设18 色泽=青绿,根蒂=稍蜷,敲声=沉闷
假设19 色泽=乌黑,根蒂=\*,敲声=\*
假设20 色泽=乌黑,根蒂=\*,敲声=浊响
假设21 色泽=乌黑,根蒂=\*,敲声=沉闷
假设22 色泽=乌黑,根蒂=蜷缩,敲声=\*
假设23 色泽=乌黑,根蒂=蜷缩,敲声=浊响
假设24 色泽=乌黑,根蒂=蜷缩,敲声=沉闷
假设25 色泽=乌黑,根蒂=稍蜷,敲声=\*
假设26 色泽=乌黑,根蒂=稍蜷,敲声=浊响
假设27 色泽=乌黑,根蒂=稍蜷,敲声=沉闷
假设28 ∅ \emptyset ∅
- 版本空间
删除与编号1(正例)相反的假设:3、6-9、12、15、16-28
删除与编号4(反例)相同的假设:1
版本空间为剩余假设:2、4、5、10、11、13、14 七种
用合取式表示为:
(色泽=*) ^ (根蒂=*) ^ (敲声=浊响)
(色泽=*) ^ (根蒂=蜷缩) ^ (敲声=*)
(色泽=*) ^ (根蒂=蜷缩) ^ (敲声=浊响)
(色泽=青绿) ^ (根蒂=*) ^ (敲声=*)
(色泽=青绿) ^ (根蒂=*) ^ (敲声=浊响)
(色泽=青绿) ^ (根蒂=蜷缩) ^ (敲声=*)
(色泽=青绿) ^ (根蒂=蜷缩) ^ (敲声=浊响)
1.2 与使用单个合取式来进行假设表示相比,使用“析合范式”将使得假设空间具有更强的表示能力。若使用最多包含k个合取式的析合范式来表达表1.1的西瓜分类问题的假设空间,试估算有多少种可能的假设。
- 不考虑冗余
表1.1共3个特征,假设空间中有3∗4∗4+1=49种假设。k的最大值是49,每次从中选出k个来组成析合式,即 Σ \Sigma Σ C 49 k C_{49}^{k} C49k k最大为49,根据二项式定理得249种假设 - 考虑冗余
//todo
1.3 若数据包含噪声,则假设空间中可能不存在与所有训练样本都一致的假设。在此情形下,试设计一种归纳偏好用于假设选择。
- 去掉噪声数据
- 将噪声值变为特征值最多的值
1.4 试证明"没有免费的午餐"
西瓜书P8说到,一个学习算法 ξ a \xi_a ξa若在某些问题上比算法 ξ b \xi_b ξb好,则必然另存在一些问题算法 ξ b \xi_b ξb比算法 ξ a \xi_a ξa要好,这个结论对任何算法都成立。
以下公式含义:算法 ξ a \xi_a ξa学得的假设在训练集外的所有样本上的误差的期望
E o t e ( ξ a ∣ X , f ) E_{ote}\left (\xi_a|X,f\right) Eote(ξa∣X,f) = ∑ h \sum_h ∑h ∑ x ∈ χ − X \sum_{x\in \chi-X} ∑x∈χ−X P P P( x x x) I I ( II( II( h h h( x x x) ≠ \neq ̸= f ( x ) ) f(x)) f(x)) P P