7 相关机器学习.pptVIP

7 . 4 . 1 解释学习的描述框架 对于解释学习, 可以把它总结为如下框架: 给定: 论域知识DT 目标慨念TC 训练实例E 操作性准则C 找出: 满足C的关于目标概念的充分条件 其中，论域知识是被用来描述相应论域的事实和规则, 在学习系统中被作为背景知识，系统用它来证明训练实例为什么可以作为目标慨念的实例；目标慨念是要进行学习的概念; 训练实例是为解释学习提供的一个例子。解释学习正是从该例子出发, 通过运用论域知识进行证明的, 最终推广出目标慨念的学习描述的; 操作性准则用于指明哪些测试在运行时容易被判定, 指导学习系统对用来描述目标的概念进行取舍。 7 . 4 . 2 解释学习的学习过程 解释学习的学习过程分两步进行： （1） 首先运用论域知识找出训练实实列为什么是目标慨念的实例的证明(即解释)； （2）按操作性准则对解释进行推广, 从而得出关于目标慨念的学习描述。 学习描述既是训练实例的一般化, 又是目标概念的特例。学习的目的就是要产生这样的学习描述，作为目标概念的有效识别器。 为了具体地了解解释学习的学习过程, 我们来看一个简单的例子。 假设要学习的目标概念是： 年青人总比年纪大的人更充满活力 并且有已知的如下事实： （1）一个实例， 张三比他的父亲更充满活力。 （2）一组论域知识。 假设这一组论域知识能证明给出的实例就是目标概念的例子。 例如, 类别“红苹果”, 经过降低条件规则，去掉“红”的条件，而生成任何颜色的所有苹果的类。 可表示如下： red (v) apple(v)::K 能一般化为： apple(v) ::K 这是一条选择性一般化规则, 因为结论描述中没有引进新的描述符，一个有用的构造性规则叫“寻找偏序极元”规则。该规则能通过增加有关在有序链端点元素的描述来扩大结构性描述。 例如，在对一座四层的办公楼描述中, 可以表达成：“二楼在一楼的上面，三楼在二楼的上面，四楼在三楼上面”。关系“在上面”构成一个有序链。 符号化如下： ontop(f2, f1)ontop(f3, f2)ontop(f4, f3)│＜most-ontop(f4)least-ontop(f1) 其中|＜读为“能生成”。 其它选择性一般化规则还有： （1）转换常量成变量规则； （2）增加内部析取规则； （3）闭区间规则； （4）爬山一般化规则。 我们也使用一些特殊化规则。以上一般化描述规则的逆向使用即成为特殊化规则，另一种重要的特殊化规则称为引入例外规则，它可用来对一描述特殊化。使其考虑反例。 例如：有学习“鱼”这个概念的程序，其初始前提是，鱼是一种能游于水的东西；接着，程序被告之：“海豚能游水并且呼吸空气，而海豚不是鱼”。根据这条信息，学习程序推断鱼应该能游于水并且不呼吸叹空的东西。 可表示如下： 当前描述： swims(v) :: K 反例： swims(v) breathes-air(v) :: ~k │ swims(v) ~breathes-air (v) :: K 符号│解释为“能被特殊化为” 7 . 2 . 5 构造性归纳 我们在上面已经提到过, 构造性归纳就是能生成在输入数据中没有的、新的描述符号的任何归纳形式。这个学习程序能形成构造性