考虑以下培训数据集。
+-------+-------+----------+-------------+
| Size | Color | Shape | Class/Label |
+=======+=======+==========+=============+
| big | red | circle | No |
| small | red | triangle | No |
| small | red | circle | Yes |
| big | blue | circle | No |
| small | blue | circle | Yes |
+-------+-------+----------+-------------+
我想了解算法在以负面示例开始时和两个负面示例结合在一起时如何进行。
顺便说一句,这不是一个任务问题。
也欢迎其他数据集的示例!这是为了理解算法的负面部分。
答案 0 :(得分:56)
对于您的假设空间(H),您从一组最大一般(G)和最大特定(S)假设开始:
G0 = {<?, ?, ?>}
S0 = {<0, 0, 0>}
当您看到一个反面例子时,您需要从S中删除任何与当前观察不一致的假设,并将G中的任何不一致假设替换为与观察一致的最小特征,但仍然比某些成员更一般。 S上。
因此,对于您的第一个(负面)示例(big, red, circle)
,最小特化将构成新的假设空间
G1 = {<small, ? , ?>, <?, blue, ?>, <?, ?, triangle>}
S1 = S0 = {<0, 0, 0>}
请注意,S没有改变。对于你的下一个例子,(small, red, triangle)
,也是负数,你将需要进一步专门化G.注意,G1中的第二个假设与新观察结果不匹配,因此只有G1中的第一个和第三个假设需要专门化。那会产生
G2 = {<small, blue, ?>, <small, ?, circle>, <?, blue, ?>, <big, ?, triangle>, <?, blue, triangle>}
然而,由于上面G2中的第一个和最后一个假设是中间假设(<?, blue, ?>
)的特化,我们放弃了这两个假设,给出了
G2 = {<small, ?, circle>, <?, blue, ?>, <big, ?, triangle>}
S2 = S1 = S0 = {<0, 0, 0>}
对于肯定的(small, red, circle)
观察,你必须推广S并删除G中不一致的任何东西,这给出了
G3 = {<small, ?, circle>}
S3 = {<small, red, circle>}
(big, blue, circle)
是下一个反面例子。但由于它与G不一致,所以没有任何事情可以这样做
G4 = G3 = {<small, ?, circle>}
S4 = S3 = {<small, red, circle>}
最后,你有(small, blue, circle)
的正面例子,它要求你概括S以使其与示例一致,给出
G5 = {<small, ?, circle>}
S5 = {<small, ?, circle>}
由于G和S相同,你已经学会了&#34;小圆圈的概念&#34;。