第 07 章 机器学习 人工智能课件.pptVIP

AI 第七章 机器学习 7.1 ??机器学习的基本概念 7.2 ? 归纳学习 7.2.2 ??基于描述空间的归纳学习 消除候选者算法 应用示例 7.2.3 基于决策树的归纳学习方法 1、决策树及决策树构造算法CLS CLS 算法描述 CLS 算法应用示例 2、ID3算法 ID3 算法相关定义 ID3算法应用示例 7.3 基于解释的学习 7.3.1 基于解释的学习框架 基于解释的学习框架示例 7.3.2 基于解释的学习过程 基于解释的学习过程示例 7.4 遗传算法 7.5 人工神经网络 作业 消除候选者算法应用示例 例 7.2 对例7.1给出的概念空间，应用消除候选者学习算法，说明学习得到一般概念“圆”的学习步骤和学习结果。 消除候选者算法应用示例 已知概念空间： 应用消除候选者学习算法，说明“圆”概念的学习过程。 消除候选者算法应用示例 解： “圆”的一般概念可表示为(x circle)，其学习过程如下： 1）初始化描述空间 H = G, S 其中： G={（x y）} S={ (small square), (small circle), (large square), (large circle) } 消除候选者算法应用示例 ?2）若首先提供一个正例：(small circle) 删去G中与提供的正例不相容的元素：由于G={ (x y) }，其中 (x y) 是最一般概念，与提供的正例 (small circle) 相容，故仍有：G={ (x y) } 对S中的元素尽可能小地一般化，使其与提供的正例相容，删去S中一般化后仍然与提供的正例不相容的元素(large square)，得： S={ (small y), (small circle), (x circle) } 消除候选者算法应用示例 ??3）此时有G≠S，若再提供一个反例：(large square) 直接删去 S 中所有与该例相容的概念：由于 S 中的元素都与提供的反例不相容，故S不变，仍有：S={ (small y), (small circle), (x circle)} 对 G 中的元素(x y)尽可能小地特殊化，可由(x y)得出与提供的反例(large square)不相容的2个概念(small y) 和 (x circle)，故有： G = { (small y), (x circle) } 消除候选者算法应用示例 ???4）此时有G≠S，若再提供一个正例(large circle) 直接删去 G 中与提供的正例 (large circle) 不相容的元素 (small y)，故有：G={(x circle)} 对S中的元素尽可能小地一般化，使其与提供的正例相容，删去S中无法最小一般化的元素 (small y) （超过上界，即比G中概念还要大），故有： S = { (x circle) (x circle) } 消除候选者算法应用示例 5）此时有G = S = { (x circle) }，算法中止。 经过学习后获得的“圆”概念为： (x circle) CLS 算法应用示例 假设需要根据人员的外貌特征对人员进行分类，用于人员分类的外貌特征有3个，它们组成人员分类属性表为： AttrList = { height, hair, eyes } 各属性的值域分别为： ValueType(height) = { short, tall } ValueType(hair) = { blond, red, dark } ValueType(eyes) = {