候选消除法,一个特殊用例

我正在理解和学习候选消除过程,以找到假设空间。我对以下示例运行CEl时有些困惑:

我们有一个笼子,两个鸟可以生活在同一个笼子里。每只鸟的描述包括

  • 性别(雄性,雌性)
  • 颜色(红色,绿色,蓝色)
  • 原产地(美国,巴西,俄罗斯,澳大利亚,中国)

经过几次迭代后,我得到了以下S具体假设和G一般假设:

S << 雄性,红色,?>, < 雌性,蓝色,中国>>

G << ?,?,?,?>, < ?,?,?,?>>

现在,如果训练示例是:负例,即不能一起生活 << 雌性,红色,美国>, < 雌性,蓝色,澳大利亚>>

新的G一般假设会是什么?

让我写下我认为可能的答案:

新G

要么是:<< 雄性,?,?>, < ?,?,?>> &&<< ?,?,?>, < ?,?,中国>>

要么是:<< 雄性,?,?>, < ?,?,?>> &&<< ?,?,?>, < ?,?,中国>> &&<< ?,?,?>, < ?,?,俄罗斯>> &&<< ?,?,?>, < ?,?,巴西>> &&<< ?,?,?>, < ?,?,美国>>

我认为第二个是正确的,因为它是一般假设,应该足够一般以包括其余三个国家。


回答:

第二个是错误的,因为根据候选消除算法,对于G的每个最小特化,必须在S中有一个更具体的假设。但你添加了三个特化,而S中的单一假设并不更具体(S要求第二只鸟来自中国,而你添加到G中的最后三个特化要求其他特定的国家)。

第一个版本看起来是正确的。

请注意,这里有一个假设,即假设中两只鸟的顺序是有影响的。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注