机器学习（埋坑） |
您所在的位置：网站首页 › Learn什么意思 › 机器学习（埋坑） |
|
机器学习（埋坑）—— 概念学习（Concept Learning）
概念学习的定义实例空间目标概念正例反例
训练样例的表示假设空间偏置（Bias）后记
学学机器学习…… 概念学习的定义概念(Concept): 每个概念可被看作一个大集合下的子集。例如：在人类集合中， 中国人这个子集可被视为一个概念。概念还可被看作是一个布尔函 数，例如，IsChinese()这个布尔函数它对所有中国人返回True，其 他人返回False概念学习(Concept Learning): “Inferring a boolean-valued function from training examples of its input and output. ” —— Tom M.Mitchell 简单翻译一下： 概念学习就是从有关某个布尔函数的输入输出的训练集中，推测出 这个布尔函数。 例如： 我们有训练集 Training Examples:，，，， 对此训练集进行概念学习后，学习器会给我们几个假设h的集合H， 其中，h(x) = IsAsian(x)是我们的一个假设，它表示： 对所有亚洲人返回True，其余返回False 实例空间听起来高大上哈，其实没什么 实例空间有多简单呢？ 举个例子，如果我们想要预测一个人是否肥胖，假如有3个评判指标： 身高，体重，三围 这三个评判指标的取值如下： 身高：矮，偏矮，中等，偏高，高 体重：轻，偏轻，中等，偏重，重 三围：差，好（对不起，实在不知道该怎么编了） 那么这个实例空间的大小就为： 5*5*2=50 即，取遍“身高，体重，三围”的所有组合情况： …… 目标概念 目标概念实际上就是一个布尔函数。例如我们之前提到的IsChinese()。 不过，为了方便抽象描述，我们常常将目标概念布尔函数记为c。 正例 c(x)=True，就是正例 反例 c(x)=false，就是反例 训练样例的表示知道了目标概念的概念，又知道了实例空间，那我们来看看如何表示训练样例 训练样例的表示可由一个序偶对完成。其中x是一个训练样本， c(x)表明x是否属于概念c。例如： x = 中国人 and 日本人 and 美国人 c(x) = false 则这个训练样例可表示为 假设空间我们知道，概念学习的目的就是去学这个c，看看它到底是什么。那么我们就需要一堆假设。这些假设的集合也就构成了假设空间 我们来看看Tom老先生是如何定义假设空间的： "We use the symbol H to denote the set of all possible hypotheses that the learner may consider regarding the identity of the target concept." —— Tom M.Mitchell 简单翻译一下： “我们用符号 H 来表示学习器所有可能的假设的集合，这个集合是考虑目标概念的 范围” 哦，我们知道了H是所有可能假设的集合，那么每个“假设”又如何定义呢？ 事实上，我们不妨记这些“假设”为h，那么h应该也是一个定义在实例空间上的布尔 函数，它与c的定义无二。我们最终的目的便是找到这么几个h，它们能够使得 c(x) = h(x)对每一个x属于训练样例均成立。 偏置（Bias）归纳偏置是什么？好高级 偏置高级吗？ 其实并不高级。 我们把偏置分成两个部分来看： “偏”和“置”。 偏指偏向一部分，置表明闲置一部分。 进一步的，偏置在机器学习中就是说我们仅取“全”假设空间的“一部分”作为假设空间。 例如，某个全假设空间为 H={a,b,c,d,e,f} 然而，我们在进行学习的时候，仅用H'作为假设空间，其中H'为 H'={a,d,f} 这就是“偏置(bias)” 后记事实上，概念学习部分只要弄清楚了这几个空间，弄清楚了这些符号背后的含义，后面的内容看起来就不费力了，例如什么 find-s算法， List-then算法， candidate-elimination算法另外，博主Deadpool推荐大家千万不要为了概念而记概念。概念是人抽象出来的。这意味着什么呢？ 这意味着先有现象，才有概念。对于这个“概念学习”来说，我们为什么要有定义，这仅仅是为了描述方便且严谨。但是对于学生来说，特别是中国学生来说——因为我们常常先将概念，再讲现象，这会导致我们学习时走不少弯路——不过学习不就是这样吗，误打误撞，最后摸清楚规律，哈哈，今天就先这样了。 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |