候选消除算法 - 特殊情况

时间:2010-05-03 12:09:42

标签: machine-learning

我正在做一个关于候选消除算法的问题。 我对一般边界G有点困惑。

这是一个例子,我得到G和S到第四个训练样例,但我不确定最后一个案例。

  1. 阳光,暖,中,强,暖,同样,EnjoySport =是
  2. 阳光,暖,高,强,暖,同样,EnjoySport =是
  3. 下雨天,冷,高,强,暖,更改EnjoySport =无
  4. 阳光,暖,高,强,冷,更改EnjoySport =是
  5. 阳光,暖,中,弱,暖,同样,EnjoySport =无
  6. 我在这里有: S0:{<0,0,0,0,0,0>}

    S1:{<Sunny,Warm,Normal,Strong,Warm,Same>}

    S2,S3:{<Sunny,Warm,?,Strong,Warm,Same>}

    S4:{<Sunny,Warm,?,Strong,?,?>}

    G4:{<Sunny,?,?,?,?,?>, <?,Warm,?,?,?,?>}

    G3:{<Sunny,?,?,?,?,?>, <?,Warm,?,?,?,?>, <?,?,?,?,?,Same>}

    G0,G1,G2:{<?,?,?,?,?,?>}

    G5的结果是什么? G5是空的吗? {}{<?,?,?,Strong,?,?>}

    由于

3 个答案:

答案 0 :(得分:0)

G5既不是那些。

注意{??? Strong ??}不是G4的特化,所以这不是对一般边界的有效补充。

相反,你会删除{Sunny,?,?,?,?,?}和{?,Warm,?,?,?,?},并用每个的最小特化替换它们。所以在这种情况下,你最终会得到:

G5 = {Sunny,?,High,?,?,?},{Sunny,?,?,Strong,?,?},{?,Warm,High,?,?,?},{?,温暖,?,强,?,?}。

答案 1 :(得分:0)

我不得不说G5等于{?,暖,?,强,?,?},{晴,?,?,强,?,?} 这意味着{Sunny,?,High,?,?,?}和{?,Warm,High,?,?,?}不属于G.为什么?您可以查看示例nr.1 - 它不被{Sunny,?,High,?,?,?}和{?,Warm,High,?,?,?}归类为正数。

答案 2 :(得分:0)

Rich给出的答案是错误的。

<Sunny,?,High,?,?,?><?,Warm,High,?,?,?>不是<Sunny,Warm,?,Strong,?,?>的概括( S4 中唯一的假设)。

正确答案应为

G5:{<Sunny,?,?,Strong,?,?>, <?,Warm,?,Strong,?,?>}

根据候选消除算法,当遇到负面训练样例 d 时,对于每个假设 g ,在一般假设集 G 中,与示例不一致:

  1. G 中删除 g
  2. 添加 G g 的所有最小特化 h ,以便 h 一致d S 的某些成员比 h 更具体。
  3. G 中移除任何不如 G 中其他假设的假设。
相关问题