本文探讨机器学习中的概念学习，重点讲解逻辑模型，包括树模型和规则模型。内容涵盖分类任务、回归任务的逻辑表达式，以及合取、析取、否定和蕴涵等逻辑操作。此外，文章还讨论了最小一般性假设（LGG）、版本空间、假设空间和PAC学习模型等关键概念。
本文为阅读总结个人认为书里概念性的、对本人有帮助的内容，仅供参考。
逻辑模型的特点是它们均通过逻辑表达式将实例空间划分为一组区隔，因此所构建的都是分组模型。而其目标可概括如下：针对所要解决的任务，找到可使每个区隔中的数据更为一致的实例空间划分方案。
在分类任务中我们希望找到这样一种划分：位于每个区隔中的绝大部分实例均来自同一类。
在回归任务中，所谓好的划分是指目标变量为少数预测变量的一个简单函数。
本质上，逻辑模型可分为两类：树模型和规则模型。
树模型是一种受限制的规则模型，其规则的if部分是以树形结构组织的。
树模型和规则模型源愿超越了概念学习的范畴，因为它们可用于解决多类问题、概率估计问题、回归问题以及聚类问题。
合取、析取
、否定
、蕴涵
德·摩根定律：
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
