模糊数学02课件.pptVIP

模糊数学 传统示例学习与模糊示例学习 机器学习 作用 完成一些难以定义的任务，例如找出某个人 从大量数据中找出隐含的相关性—数据挖掘 设备（软件或硬件）对于环境的自适应 有些任务虽然是确定的，但需要大量的知识和快速的处理，例如紧急医疗诊断（大豆诊断方面计算机已经超过了人类专家） 环境快速改变、新知识不断涌入的情况下，系统很难被一次设计完成，需要不断动态更新 分类 线性回归 例子: 二手车价格 x : 属性 y : 价格 y = g (x | θ ) g ( ) model, θ parameters SVM SVM分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区。因此支持向量机也被称为最大边缘区分类器。 神经网络 应用类似大脑神经突触联接的结构进行信息处理的数序模型。 激励机制 权重 决策树 示例学习 A computer program is said to?learn?from experience E with respect?to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience?E. 示例学习 学习的基本过程 问题描述 选择训练样本（经验E） 选择目标函数（任务T） 选择评价函数（效能P） 选择逼近算法 示例学习 问题描述 训练经验E 选择新方案，与原有方案进行竞争 目标T 获得国际象棋比赛的胜利 性能评价P 对于每一步如何计算优劣 示例学习 选择训练经验E 间接经验 vs. 直接经验 间接经验在可信度方面有更大的风险 Teacher vs. Learner 由人类专家提供培训过程 由机器针对感兴趣的示例向人类专家提出问题 机器完全依靠自己解决难题 理想世界 vs. 现实世界 理想世界中规则的总量是可数的训练样本是完全的 示例学习 目标函数的选择—T 如果判断一系列动作组成的方案是最好的 有时候最好的是不必要的，近似最优即可。这属于优化问题 国际象棋目标函数 胜负，值为 0 或者 1 采用胜出的步数或失败的步数，并进行归一化，值的范围是 -1 到 1 之间（模糊化，是否合理？） 示例学习 性能评价—P 表达能力 vs. 训练样本数量 P的表达能力越强，所指导下的步骤就越快地接近目标T 越精细的表达，就需要越多的训练样本数量，但有时候样本数量是受限制的 国际象棋的性能评价 黑棋与白棋在棋盘上棋子数目之比 黑棋与白棋的王是否存活 黑棋与白棋相互有威胁的棋子的个数之比 示例学习 逼近算法 定义结束条件 选择可以使性能评价函数P不断接近目标函数T的算法，并且保证该过程的收敛性 决策树方法 退火算法 遗传算法 神经网络 贝叶斯网络 SVM 模糊示例学习 意义 直接经验 Learner 现实世界 基本过程 相关期刊与文献 Journal of Machine Learning Research Machine Learning Neural Computation Neural Networks IEEE Transactions on Neural Networks IEEE Transactions on Pattern Analysis and Machine Intelligence Annals of Statistics Journal of the American Statistical Association * 例子：信用卡记录 low-risk 与 high-risk 收入与储蓄 Discriminant: IF income θ1 AND savings θ2 THEN low-risk ELSE high-risk y = wx+w0 规则空间 抽象解释 样本空间 实验 规则空间 抽象解释 样本空间 实验 双空间模型 最终获得的将是一组良好的规则空间。 如果抽象解释过程中有人工干预，则称之为 专家系统 如果是自动完成的则称之为 机器学习 如果加上学习的部分，则根据正例和反例对参数进行调整 下棋，棋谱，胜利，获胜几率 中文屋子的例子说明，无监督的学习 指导更好？自学更好？关键在于目标函数。 马与象之间 价值的变化 *