人工智能课件-机器学习.pptVIP

例如，假设示例空间中有如下两个关于扑克牌中“同花”概念的示例： 示例1：花色(c1，梅花)∧花色(c2，梅花)∧花色(c3，梅花)∧花色(c4，梅花)→同花(c1，c2，c3，c4) 示例2：花色(c1，红桃)∧花色(c2，红桃)∧花色(c3，红桃)∧花色(c4，红桃)→同花(c1，c2，c3，c4) 其中，花色(c1，梅花)表示c1这张牌的花色是梅花，余者类推。 对这两个示例，只要把“梅花”及“红桃”这些常量都用变量x替换，就可得到一条一般性的知识： 规则1：花色(c1，x)∧花色(c2，x)∧花色(c3，x)∧花色(c4，x)→同花(c1，c2，c3，c4) 舍弃条件。把无关的子条件舍去，对概念没有直接的影响。 舍弃条件是指把示例中的某些无关的子条件舍去。例如对如下示例 花色(cl，红桃)∧点数(cl，2)∧花色(c2，红桃)∧点数(c2，4)∧花色(c3，红桃)∧点数(c3，6)∧花色(c4，红桃)∧点数(c4，8)∧→同花(cl，c2，c3，c4) 由于“点数”对形成“同花”概念不存在直接的影响，这样就可把示例中的“点数”子条件舍去，如若再把“红桃”用变量x代换，就可得到上述的规则1。 增加操作。通过增加操作来形成知识。有时需要通过增加操作来形成知识，常用的方法有前件析取法和内部析取法。 前件析取法是通过对示例的前件进行析取操作形成知识的。例如设有如下关“脸牌”的示例： 示例1：点数(c1，J)→脸(c1) 示例2：点数(c1，Q)→脸(c1) 示例3：点数(c1，K)→脸(c1) 若将各示例的前件进行析取，就可得到如下知识 规则2：点数(c1，J)V点数(c2，Q)V点数(c3，K)→脸(c1) 内部析取法是在示例的表示中使用集合与集合间的成员关系来形成知识. 例如,设有如下示例 示例1：点数(c1)∈{J}→脸(c1) 示例2：点数(c1)∈{Q}→脸(c1) 示例3：点数(c1)∈{K}→脸(c1) 用内部析取法可得到如下知识：点数(c1)∈{J，Q，K}→脸(c1) 合取变析取。通过把示例中条件的合取关系变为析取关系来形成一般性知识的。 这是通过把示例中条件的合取关系变为析取关系来形成一般性知识的。例如，由“男同学与女同学可以组成一个班”可以归纳出“男同学或女同学可以组成一个班”。 利用归纳原理，可得到如下形成知识的方法。即，由P∧E1→H和~P∧E2→H 可得到E1VE2→H 例如，设有如下两个示例： 示例1：某天下雨，且自行车在路上出了毛病需修理，所以他上班迟到。 示例2：某天没下雨，但交通堵塞，所以他上班迟到。 由这两个示例，通过归结归纳，可得到如下知识： 如果自行车在路上出了毛病需修理，或者交通堵塞，他有可能上班迟到。 曲线拟合。 设在示例空间提供了一批如下形式的示例：(x，y，z)其中，x和y为输入，z为输出。现在希望通过示例学习形成能反映这些示例的一般性知识.此时可用曲线拟合法，例如最小二乘法等达到这一目的。现将上述形式的示例具体化为 示例1：(1，0，10) 示例2：(2，1，18) 示例3：(－1，－2，－6) 应用曲线拟合法可得到如下式子：z＝2x+6y+8对于x和y的任何输入值，都可用这个式子求出z的值。 不管是去掉还是增加，都是扩大范围。把已有的知识总结归纳推广。但是要小心。越快越强的方法越容易出错。原因是归纳推理方法是保假不保真。（真 ？，假 假） 实际上没有很严格的具体方法。 因此，用归纳方法的过程就是搜索过程。找到包含在少数例子中的正确信息。归纳出错就要回溯。要经常检验，用新例子去否定归纳出的错误规则。即解释例子和选择例子的反复，反复于例子空间和规则空间之间。 对规则空间的要求 表示应适应于归纳。如：有谓词才可以增减；有状态空间才能拟合。不同的归纳方法要求不同的规则表示方法。如果规则空间描述的语言的表达能力较弱，可以使用的归纳方法就比较少，规则空间的搜索范围就比较小，搜索就比较容易。但解决的问题就较少。因此，设计是在规则空间表达能力与规则空间搜索难度之间进行权衡。 表示和例子的一致。如相差很大，解释例子和选择例子的过程就很复杂。 引入新术语（规则空间）。当表示语言不能描述学习过程中产生的新状态时，要产生新的术语。 2.观察与发现学习 　　 观察与发现学习（Learning from observation and discovery）分为观察学习与机器发现两种。前者用于对事例进行概念聚类，形成概念描述；后者用于发现规律，产生定律或规则。 　　（1） 概念聚类 概念聚类是观察学习研究中的一个重要技术， 基本思想是把事例按一定的方式和准则进行分组，如划分为不同的类，不同的层次等，使不同的组代表不同的概念，并