候选消除算法讲座示例

Question

我正在浏览一些讲座幻灯片，并且无法理解为什么最后G的大胆假设被丢弃了，我可以得到相同的答案，但不明白为什么它们被丢弃了。

   sky           temperature         humidity
 |     |        |          |        |       |
Sunny  Rainy      Warm       Coo     Normal   Low

以及一组积极和消极的训练样例：

    1.      ( S W N )+)
    2.      ( R C L )-)
    3 .     ( S C N )+)
    4.      ( S W L )-)

使用第一个例子进行训练：（S W N）+）概括......

G = [（？??）] S = [（S W N）]

使用第二个例子进行训练：（R C L） - ）专门化......

G = [（S≤α）（ΔW≤）（Δ≤N）
S = [（S W N）]

使用第三个例子进行训练：（S C N）+）概括......

G = [（S？？）（？？N）] （另一个被丢弃）
S = [（S？N）]

使用第四个例子进行训练：（S W L） - ）专攻......

G = [（SC？）（S？N）（R？N）（？CN）] （粗体被丢弃）
S = [（S？N）]

融合，学到的概念必须是：[（S？N）]

Answer 1

  

G = [（ SC？）（S？N）（ R？N ）（？CN ）]（粗体被丢弃）

可以简单地使用候选消除算法。据此可以归纳为以下原因。

1. 不一致的假设：根据算法，我们必须首先删除与目标数据不一致的假设（D）

   在这种情况下（ R？N ）被删除，这与（S？N）

不符

2. 特定边界比常规边界更通用。

   如果特定边界变得比一般边界更具体。边界可能重叠。

   如果我们将派生的（ S C？）与（S？N）进行比较，则可以将中间c与？ （S？N）。与特定边界相比，具有常数的派生常数使其更特定。因此，应将其删除。 （？C N ）也是如此。

我看到这个问题有点老了，但我希望有人会觉得这个有用。