机器学习的几种方法,在理解和实践过程中持续更新。
机械学习
机械学习就是记忆。把新的知识存储起来,要用时直接检索调用,无需计算推理。
机械学习适合于计算量较大而取值空间较小或是为离散的情况,由于不具有泛化能力,只能在已知范围进行应用。
其表现形式类似于字典:
def jxlearn(inv,outv = None):
if outv:
dict[inv] = outv
else:
return dict[inv]
基于解释的学习
简称解释学习,通过对概念的解释获取知识。
解释学习需要给定:
目标概念TC,训练实例TE,领域知识库DT,操作准则OC。
求解:
训练实例的一般化概括,使之满足TC与OC。
解释学习的一个重要前提就是领域知识。在领域知识完备的情况下,可以无需学习便可推理出目标概念,但求出所有情况是困难的,因此通过训练学习可以获取有用知识;在领域知识不完备的情况下,通过训练学习获得近似解释。
从人的角度来说,要理解或者解释一个概念,需要从已知的公理和定义出发来推理,但这样做是困难的,因为知识繁多,且不一定完备,因此往往需要一个例子来帮助理解概念。
因此,举一个简单例子来帮助理解解释学习:
已知’阴’、’阳’两种爻:分别以0、1来存储,以及各个单卦,以八进制存储。现有一个爻成卦的概念,即对于顺序的爻x、y、z,根据操作makeg(x,y,z)->x + y<<1+z<<2为一个卦。要以解释学习训练,其过程为,输入一个训练实例,如’010’->’坎’,前者为一个复合量,通过操作makeg实现转换,后者为一个常量。将常量换为一个变量从而进行概括,在训练后对于任一个复合输入,均可通过该变量来搜索得到结果。
#代码待补充
基于事例的学习
在无法建立模型时,可以对事例进行直接记录。基于事例的学习方法,可以使用相容性启发方法,把已经记录的事例的特征赋予另一个未见过的新事物。
对于新事物和旧事物的启发需要计算其间的距离。
基于概念的学习
概念学习有两条路,一是从学习机理出发,二是基于认知建模。从学习机理出发则首要任务是进行类型定义,然后对事物依据概念进行分类。
基于类比的学习
类比是对对象知识框架槽值的传递。
基于决策树的学习
决策树可以经过学习得到分类规则。
强化学习
强化学习的评价网络产生的评价函数对当前动作或环境的输入进行的激励,依据评价信号对环境进行适应并接近任务目标。