1.2 机器学习的任务

---

1.2 机器学习的任务

• 机器学习的一般框架：学习系统根据提供的样本和背景知识，确定特定概念的描述
  

• 学习算法分为黑箱法（例：神经网络、数学统计）和基于知识方法
  

---

1.2.1 认知观点

• 概念：对一组具有共同性质而区别于其他对象的对象的抽象表示
  相关概念常常可以组织成树状或图所表示的泛化层次结构
  

• 与概念有关的三个重要标识：
  1.基础水平效果

  • 基础层次概念通过一些容易识别的特征加以描述，从而使之易被学习
  • 例子：鹰——鸟——动物——生物
    这个序列中，基础层次概念就是鸟，因为其子概念（鹰、山鸟、鸵鸟……）共享可被传感器检测出的特征（翅膀、羽毛、鸟嘴……）
    动物、生物并非基础层次概念，其子概念不共享这些特征

  2.典型
  两种度量典型性的方法

  • 与其他子概念共享特征数目
  • 从超概念继承特征的数目

  特征数目越多，实例越典型
  3.上下文相关

1.2.2 表示问题

表示语言：描述概念和样本。

按照复杂度和表示能力，有：零阶逻辑、属性-值逻辑、Horn子句、二阶逻辑。

若样本为真（被满足），则称一个描述覆盖一个样本

has_four_legs覆盖一个狮子，但不覆盖一只鹅

1.2.2.1 零阶逻辑（命题演算）

• 利用代表单个特征的布尔常量的合集描述样本和概念
  • c <= x ^ y ^ z表示一个对象就是概念的一个实例c，且同时满足x，y，z条件
• 描述能力低级

1.2.2.2 属性逻辑

用事先定义好的以至于属性取值来刻画样本和概念
属性即变量（例：颜色的属性值可以取红、蓝……或者以*表示任意颜色）

样本常常表示成一张表，每行为一个样本，每列为一个属性，上表为吸引年轻企业家的的轿车的正例+和反例-

1.2.2.3 一阶谓词逻辑：Horn子句

Horn子句是一阶逻辑的一个重要子集

一个Horn子句包括一个头部和一个主体：

grandparent（X,Y）:-parent(X,Z),parent(Z,Y)

上式表示，若可找到Z，使得X是Z的父母，Z是Y的父母，那么X就是Y的祖父母。

• :-左边的值：子句的头部
• :-右边的值：子句的主体
• 逗号表示合取
• “grandparent”称为谓词
• 括号中的变量为参数，参数个数是任意的，但对于给定的谓词是确定的
• 若所有的谓词都只有一个参数，则为属性-值逻辑；都只有0个参数，则为零阶属性

1.2.2.4 二阶谓词逻辑

• 谓词名称本身也可以是变量，一组概念常常共享可能描述的相同结构
• 例：模式p(X,Y):-q(X,XW) ^ q(Y,YW) ^ r(XW,YW)
  • 可实例化为：
  • brothers(X,Y):-son(X,XW) ^ son(Y,YW) ^ equal(XW,YW)
  • lighter(X,Y):-weight(X,XW) ^ weight(Y,YW) ^ less(XW,YW)
  • ……

1.2.2.5 明确约束的语言

引入约束，避免逻辑表示语言过分灵活

• 限制谓词数目
• 在谓词参数中排除函数
• 排除递归函数