人工智能课件--07.机器学习.pptVIP

第7章机器学习第一节基本概念第一节基本概念第一节基本概念第一节基本概念第二节主要策略与基本结构第二节主要策略与基本结构第二节主要策略与基本结构第二节主要策略与基本结构第三节机械学习第三节机械学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第四节归纳学习第五节类比学习第五节类比学习第五节类比学习第五节类比学习第五节类比学习第五节类比学习第五节类比学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第六节解释学习第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第七节概念学习和一般到特殊序第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习第八节决策树学习{Sunny,Warm,?,Strong,Warm,Same}S2,S3G2:{?,?,?,?,?,?}{Sunny,?,?,?,?,?,?,Warm,?,?,?,?,?,?,?,?,?,Same}G3:训练样例：3.Rainy,Cold,High,Strong,Warm,Change,EnjoySport=No反例使G的边界特殊化。在示例3中，由6个属性可以使G2特殊化，在此只有3个，因为其他3个不满足示例1和示例2。{Sunny,Warm,?,Strong,Warm,Same}S3{Sunny,Warm,?,Strong,?,?}S4{Sunny,?,?,?,?,?,?,Warm,?,?,?,?,?,?,?,?,?,Same}G3:{Sunny,?,?,?,?,?,?,Warm,?,?,?,?}G4:训练样例：4.Sunny,Warm,High,Strong,Cool,Change,EnjoySport=Yes最终的变型空间{Sunny,Warm,?,Strong,?,?}S4{Sunny,?,?,?,?,?,?,Warm,?,?,?,?}G4:Sunny,?,?,Strong,?,?,Sunny,Warm,?,?,?,?,?,Warm,?,Strong,?,?关于变型空间和侯选消除算法的说明：(1)由侯选消除算法得到变型空间能够收敛到目标概念的假设条件是①在训练样例中没有错误；②H中确实包含描述目标概念的正确假设。(2)侯选消除算法提取的是合取关系，如果是析取关系，则前面的假设空间无法包含，因此，必须扩大假设空间，使每个可能的假设都包含在内。(3)为了使侯选消除算法可以处理更大的假设空间，应使用归纳偏置。归纳偏置就是在归纳时预先进行的某种假设。例如，侯选消除的归纳偏置是“目标概念包含在给定的H种”。决策树是一种逼近离散值函数的方法，对噪声数据有很好的健壮性且能够学习析取表达式。决策树的归纳偏置是优先选择较小的树。一、决策树表示法OutlookSunnyOvercastRainHumidityHighNormalNoYesYesWindStrongWeakNoYes概念PlayTennis的决策树通常决策树代表实例属性值约束的合取。从树根到叶节点的每一条路径对应一组属性测试的合取，树本身代表这些合取的析取。例如，前面的决策树代表(Outlook=Sunny∧Humi