文章目录
假设空间
-
演绎(一般到特殊的特化)
-
归纳(特殊到一般的泛化)
- 归纳学习:从样例中学习。
- 广义:从样例中学习。
- 狭义:从训练数据中学得概念,——亦称
概念学习
、概念形成
。- 概念学习,最基本:布尔概念学习,即对‘是’、‘不是’这样的可表示为
0/1
布尔值的目标概念的学习。
- 概念学习,最基本:布尔概念学习,即对‘是’、‘不是’这样的可表示为
- 归纳学习:从样例中学习。
-
案例——西瓜
布尔表达式:
好 瓜 ↔ ( 色 泽 = ? ) ∧ ( 根 蒂 = ? ) ∧ ( 敲 声 = ? ) < ? 表 示 未 确 定 值 > 好瓜 \leftrightarrow (色泽=?)\wedge(根蒂=?)\wedge(敲声=?) <?表示未确定值> 好瓜↔(色泽=?)∧(根蒂=?)∧(敲声=?)<?表示未确定值>
一般形式(析合范式):
(
A
∧
B
)
∨
(
C
∧
D
)
(A\wedge B)\vee (C \wedge D)
(A∧B)∨(C∧D)
-
学习目的:泛化
即通过对训练集中的瓜的学习以获得对没见过的瓜进行判断的能力。
’记住‘训练样本,即所谓的’机器学习‘,或称’死记硬背式学习‘。
-
学习过程
看作一个在所有假设
hypothesis
组成的空间中进行搜索的过程,搜索目标是找到与训练集“匹配”(fit
)的假设,即能够将训练集中的瓜判断正确的假设。假设的表示一旦确定,假设空间及其规模大小就确定了。问题假设空间可以呈树状图,可采用自顶向下、从一般到特殊,或自底向上、从特殊到一般,在搜索过程中不断删除与正例不一致的假设、与反例一致的假设,最终获得与训练集一致(对所有训练样本进行正确判断)的假设,即学得结果。
-
版本空间
实际中存在巨大假设空间,但学习过程是基于有限样本训练集进行,因此存在一个与训练集一致的“假设集合”,即称之为**“版本空间”**。