AI7节 机器学习.ppt

解释学习涉及三个不同的空间：例子空间，概念空间和概念描述空间。三个空间及它们之间的关系如图7.7所示。 C1 不可操作的 可操作的 D1 D2 ?I1 ?I2 ?I3 概念描述空间 概念空间 例子空间 概念描述空间是所有概念描述的集合，其中的概念描述可分为两大类，一类是可操作的，另一类是不可操作的。所谓可操作是指一个概念描述能有效的用于识别相应概念的例子。否则是不可操作的。解释学习的任务就是要把不可操作的概念描述转化为可操作的概念描述。 概念空间是学习过程能够描述的所有概念的集合 例子空间是用于问题求解的例子集合 7.4.1 解释学习概述 解释学习的空间描述 模型： KB EXL 为学习系统 KB 为领域知识库，它是不同概念描述之间进行转换所使用的规则集合 PS 为执行系统 D1 是输入的概念描述，一般为不可操作的； D2 是学习结束时输出的概念描述，它是可操作的。 执行过程：先由EXL接受输入的概念描述D1，然后再根据KB中的知识对D1进行不同描述的转换，并由PS对每个转换结果进行测试，直到被PS所接受，即为可操作的概念描述D2为止；最后输出D2。 结果是否 可操作 PS D2 N Y EXL 概念描述 的转换 KB D1 7.4.1 解释学习概述 解释学习的模型 本节主要讨论米切尔等人提出的解释泛化学习方法。 其基本思想：先对某一情况建立一个解释结构，然后在对此解释结构进行概括，获取一般性控制知识。 其一般性描述为： 已知：目标概念GC(Goal Concept)； 训练实例TE(Training Example)； 领域理论DT(Domain Theory)； 操作性标准OC(Operationality Criterion)。 求出：满足OC的关于GC的充分概念描述。 其中：目标概念GC 是要学习概念的描述； 训练实例TE 是为学习系统提供的一个实例； 领域理论DT 是相关领域的事实和规则，即为背景知识； 操作性标准OC 用于指导学习系统对用来描述目标的概念进行舍取等的控制性知识。 7.4.3 解释学习的基本原理 其任务是要证明提供给系统的训练实例为什么是目标概念的一个实例。为此，系统应从目标开始反向推理，根据知识库中已有的事实和规则分解目标，直到求解结束。一旦得到解，便完成了该问题的证明，同时也获得了一个解释结构。 例如，假设要学习的目标是“一个物体x可以安全地放置在另一个物体y的上面”。即 目标概念： Safe-to-Stack (x, y) 训练实例（是一些描述物体obj1与obj2的事实）： On(obj1 ,obj2) 物体1在物体2的上面 Isa(obj1 , book) 物体1是书 Isa(obj2 , table) 物体2是桌子 Volume(obj1 , 1) 物体1的体积是1 Density(obj1 , 0.1) 物体1的密度是0.1 7.4.3 解释学习的基本过程 1. 产生解释结构(1/3) 领域知识 是把一个物体安全地放置在另一个物体上面的准则： ﹁Fragile(y)→Safe-to-stack(x, y) 如果y不是易碎的，则x可以安全地放到y的上面 Lighter(x, y)→Safe-to-stack(x, y) 如果x 比y轻，则x可以安全地放到y的上面 Volume(p, v)∧Density(p, d)∧Product (v, d, w)→Weight(p, w) 如果p的体积是v、密度是d、v乘以d的积是w，则p的重量是w Is-a(p, table)→Weight(p, 5) 如果p是桌子，则p的重量是5 Weight(p1, w1)∧Weight(p2,w2)∧Smaller(w1, w2)→Lighter(p1, p2) 如果p1的重量是w1、 p2的重量是w2、w1比w2小， 则p1比p2轻 其证明过程是一个由目标引导的逆向推理，最终得到的解释树就是该例的解释结构（如下图）。 7.4.3 解释学习的基本过程 1. 产