关于候选人消除有点困惑

时间:2017-01-17 14:27:58

标签: algorithm machine-learning artificial-intelligence

所以我遇到了候选消除算法here

的在线功效点

我理解前三个例子,但在阅读第四个例子时我感到很困惑。 为什么在四个例子之后

G = {(?,?,blue,?,?),(日本,?,?,?,经济)}

不是这样的例如G = {(日本,?,蓝,?,?),(?,?,?,?,经济)}

任何人都可以给我一些解释吗?

1 个答案:

答案 0 :(得分:1)

在每次迭代中你都需要问问自己 - 我的边界会正确地将我的例子分类吗?如果不是 - 我如何更改边界,使它们仍然是最大的,但会正确地对示例进行分类。

在这种情况下,你得到的负面例子是(美国,克莱斯勒,红色,经济),你的界限是:

G = {(?,?,blue,?,?),(Japan,?,?,?,Economy)}

这个例子并没有教你任何关于颜色的事情" blue",实际上是在说(Japan,?,Blue ,?,?)

  1. 不如前一个边界
  2. 没有帮助您将否定示例标记为"否定" (因为它不是一辆蓝色汽车!)
  3. 另一方面,如果你看一下边界(?, ?, ?, ?, Economy),你会看到负面的例子确实适合它(即错误归类为正面)所以你必须改变它!怎么样?通过将新边界设置为(Japan,?,?,?,Economy)