摘记:
-
概念学习 是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数;
-
从特殊的训练样例中归纳出 一般函数 是机器学习的中心问题;
-
机器学习的目标是 寻找一个假设 h ,使对于 X 中的所有 x,h(x) = c(x) ;
-
如果没有更多信息,我们只能假定,对于未知实例 最好的假设 就是与训练数据 最佳拟合 的假设;
-
Hypothesis h is a conjunction of constraints on attributes: 以 实例的各属性约束的组合 来表示假设
如果某些实例x满足假设h的所有约束,那么h将x分类为正例(h(x)=1)
- 实例集第i个属性的可取值个数为 , 该属性可取值为 ,分类标注(类别)数为 ,则:
实例总数(distinct instances):其中,属性 的约束的全部组合为 ,共 ,因而语法不同的假设共<img src=http://latex.codecogs.com/gif.latex?\prod%20(n_{i}+2) />,而实际上,只要假设中存在一个∅,则该实例一定是反例,因而去除掉含有∅的重复语法假设,剩余语义不同的假设为<img src=http://latex.codecogs.com/gif.latex?\prod%20(n_{i}+1)+1) />。;
概念总数(distinct concepts): ;
语法不同的假设(syntactically distinct hypotheses):<img src=http://latex.codecogs.com/gif.latex?\prod%20(n_{i}+2) />;
语义不同的假设(semantically distinct hypotheses):<img src=http://latex.codecogs.com/gif.latex?1+\prod%20(n_{i}+1) />;
- 假设的一般到特殊序:
网友评论