人工智能课件 －07机器学习.ppt

第7章 机器学习 第一节 基本概念 第一节 基本概念 第一节 基本概念 第一节 基本概念 第二节 主要策略与基本结构 第二节 主要策略与基本结构 第二节 主要策略与基本结构 第二节 主要策略与基本结构 第三节 机械学习 第三节 机械学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第四节 归纳学习 第五节 类比学习 第五节 类比学习 第五节 类比学习 第五节 类比学习 第五节 类比学习 第五节 类比学习 第五节 类比学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第六节 解释学习 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第七节 概念学习和一般到特殊序 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 第八节 决策树学习 {Sunny,Warm,?,Strong,Warm,Same} S2, S3 G2: {?,?,?,?,?,?} {Sunny,?,?,?,?,?, ?,Warm,?,?,?,?, ?,?,?,?,?,Same} G3: 训练样例： 3. Rainy,Cold,High,Strong,Warm,Change, EnjoySport=No 反例使G的边界特殊化。在示例3中，由6个属性可以使G2特殊化，在此只有3个，因为其他3个不满足示例1和示例2。 {Sunny,Warm,?,Strong,Warm,Same} S3 {Sunny,Warm,?,Strong,?,?} S4 {Sunny,?,?,?,?,?, ?,Warm,?,?,?,?, ?,?,?,?,?,Same} G3: {Sunny,?,?,?,?,?, ?,Warm,?,?,?,?} G4: 训练样例： 4. Sunny,Warm,High,Strong,Cool,Change, EnjoySport=Yes 最终的变型空间 {Sunny,Warm,?,Strong,?,?} S4 {Sunny,?,?,?,?,?, ?,Warm,?,?,?,?} G4: Sunny,?,?,Strong,?,?,Sunny,Warm,?,?,?,?,?,Warm,?,Strong,?,? 关于变型空间和侯选消除算法的说明： (1)由侯选消除算法得到变型空间能够收敛到目标概念的假设条件是①在训练样例中没有错误；②H中确实包含描述目标概念的正确假设。 (2)侯选消除算法提取的是合取关系，如果是析取关系，则前面的假设空间无法包含，因此，必须扩大假设空间，使每个可能的假设都包含在内。 (3)为了使侯选消除算法可以处理更大的假设空间，应使用归纳偏置。 归纳偏置就是在归纳时预先进行的某种假设。例如，侯选消除的归纳偏置是“目标概念包含在给定的H种”。 决策树是一种逼近离散值函数的方法，对噪声数据有很好的健壮性且能够学习析取表达式。 决策树的归纳偏置是优先选择较小的树。 一、决策树表示法 Outlook Sunny Overcast Rain Humidity High Normal No Yes Yes Wind Strong Weak No Yes 概念 Play Tennis 的决策树 通常决策树代表实例属性值约束的合取。从树根到叶节点的每一条路径对应一组属性测试的合取，树本身代表这些合取的析取。 例如，前面的决策树代表 (Outlook=Sunny ∧ Humi