基于实例的学习概要.ppt

机器学习;基于实例的学习;基于实例的学习方法有时被称为消极学习法，因为它把处理工作延迟到必须分类新实例的时候。 理解：已知一系列的训练样例，很多学习方法（如决策树，神经网络，贝叶斯学习）为目标函数建立起明确的一般化描述。与此不同，基于实例的学习方法只是简单地把训练样例储存起来，当遇到待分类实例时，建立不同的逼近函数来进行分类。 这种延迟的学习方法有一个优点：不是在整个实例空间上一次性地估计目标函数，而是针对每个待分类新实例作出局部的和相异的估计。;简介;简介（2）;k-近邻算法;k-近邻算法（2）;k-近邻算法（3）;k-近邻算法（4）;;距离加权最近邻算法;;距离加权最近邻算法（2）;对k-近邻算法的说明;;维度灾害的解决方法：对属性加权，相当于按比例缩放欧氏空间中的坐标轴，缩短对应不太相关的属性的坐标轴（缩小权值），拉长对应更相关属性的坐标轴（增加权值）。 每个坐标轴应伸展的数量可以通过交叉验证的方法自动决定： 一种做法是随机选取现有数据的一个子集作为训练样例，然后决定z1……zn的值使剩余样例的分类错误率最小化。 可以多次重复这个处理过程，使得加权因子的估计更加准确 这种伸展坐标轴以优化K-近邻算法的过程，提供了一种抑制无关因子的机制 另一种解决维度灾害的方法是从实例空间中完全消除最不相关的属性，等效于设置某个缩放因子为0;对k-近邻算法的说明（3）;;术语解释;局部加权回归;;局部加权线性回归;局部加权线性回归（2）;局部加权线性回归（3）;局部加权回归的说明;径向基函数;径向基函数（2）;;径向基函数（3）;径向基函数（4）;径向基函数（5）;基于案例的推理;基于案例的推理（2）;基于案例的推理（3）;方法 给定新设计问题的功能说明，CADET从它的案例库中搜索存储的案例，使它的功能描述和新设计问题相匹配 如果发现了一个精确的匹配，表明某个存储案例精确地实现了所要求的功能，那么可以返回这个案例作为新设计问题的建议方案 否则，CADET可能找到匹配所需功能的不同子图的案例 在两个功能图间搜索同构子图，以发现一个案例的某部分，使它匹配更多的案例 系统还可以加工原始的功能说明图，产生等价的子图以匹配更多的案例 ;基于案例的推理（4）;基于案例的推理（5）;基于案例的推理（6）;对消极学习和积极学习的评价;对消极学习和积极学习的评价（2）;小结;小结（2）;为什么第八章叫基于实例的学习？;补充读物