ml-chap02.docVIP

　概念学习和一般到特殊序 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。本章介绍概念学习：给定某一类别的若干正例和反例，从中获得该类别的一般定义。概念学习也可被看作一个搜索问题，它在预定义的假设空间中搜索假设，使其与训练样例有最佳的拟合度。多数情形下，为了高效的搜索，可以利用假设空间中一种自然形成的结构——即一般到特殊偏序结构。本章展示了几种概念学习算法，并讨论了这些算法能收敛得到正确假设的条件。这里还分析了归纳学习的本质，以及任意程序能从训练数据中泛化的理由。 介绍 许多机器学习问题涉及到从特殊训练样例中得到一般概念。比如人们不断学习的一些一般概念和类别包括：鸟类、汽车、勤奋的学习等。每个概念可被看作一个对象或事件集合，它是从更大的集合中选取的子集（如从动物的集合中选取鸟类），或者是在这个较大集合中定义的布尔函数（如在动物集合中定义的函数，它对鸟类产生true 并对其他动物产生false）。 本章考虑的问题是，给定一样例集合以及每个样例是否属于某一概念的标注，怎样自动推断出该概念的一般定义。这一问题被称为概念学习（concept learning），或称从样例中逼近布尔值函数。 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。 一个概念学习任务 为了良好地理解概念学习，考虑一个概念学习的例子，目标概念是：“Aldo进行水上运动的日子”。表2-1描述了