《机器学习》中候选消除算法的疑惑
我刚学到这里，被这个问题卡住两天…今天恍然大悟：原来是概念就没弄清楚。反例d：c(x)= 0 反例也属于实例集X一致：h(x) = c(x) = 1 或者 h(x) = c(x) = 0 即假设h能够正确分类（这里即区分正、 反例）一组样例的时候，我们称这个假设是与这些样例一致的。举例说明：第三条样本是反例，即 c(x) = {Rainy,Cold,High,Strong,Warm,Change} = 0此时S中的假设是{\u0026lt;Sunny,Warm,?,Strong,Warm,Same\u0026gt;}将反例{Rainy,Cold,High,Strong,Warm,Change}带入假设h:\u0026lt;Sunny,Warm,?,Strong,Warm,Same\u0026gt;可得h(x) = 0因为h(x) = c(x)所以假设h与反例d是一致的因此不需要移除h不知道我讲清楚了吗
■网友
候选消除实际上是这样的：
【《机器学习》中候选消除算法的疑惑 】
假如无偏学习，那么最开始s之上是空集，而g之上是全集，如果某个条件在s或g对应的线之上，则被s或g判为正例，反之则被判为反例。所有的s之上的都是已经出现过的反例，而新出现的正例会使s下移。而所有g之下的都是已经出现过的正例，而新出现的反例会使s下。移两者之间就是‘变形空间’。这样两者之间是无法通过后面所说的投票分类的，因为‘未见实例会被变形空间中刚好半数的假设划分为正例，而被另一半划分为反例’。现在引入了‘候选消除’算法，那么在每次因新的训练数据使s或g移动时，都会更趋近于中间一些，规则是：以原书上为例，假如有个正例使s线下移，由于有偏学习，这个正例拆分的条件里面假如不能包括之前反例的合取（因为候选消除的假设就是‘真实假设‘的条件要么空，要么是某一特定属性，要么是属性的合取，不存在析取），那么s就会把它“吃下去”。这同g2到g3加6个条件一样，为啥只加了3个呢？就是另外三个条件不能包括已经出现过的正例，也就是不可能作为所有已经出现正例的合取，所以按照预设它们不可能是‘真实假设‘。所以去掉这三个条件就是’有偏学习‘。去掉它们使得g所对应的那条线又向上收紧了一些。那么去掉的这些条件正确吗？不一定，因为这只是假设之前正例没出现过的条件会被g弃掉。假如后来又遇到新的训练数据，正好落在向上收紧的区域，但是一个反例，怎么办呢？那就把g因’有偏学习‘收紧的区域缩小一些，去掉这个反例所对应的情况。因此就需要加上楼主提问的这句话：从s或g中移去所有与d不一致的假设，用于解决假设和后续训练数据冲突的情况。
■网友
这句话中的不一致可以理解为，训练样例h，被包含在极大特殊假设(例子中的S(0)←{\u0026lt;Φ ,Φ ,Φ ,Φ ,Φ ,Φ \u0026gt;} )与S(n)(例子中的S(3)←{\u0026lt;S ,W ,? ,S ,W ,S \u0026gt;} )形成的空间中，但是是一个反例，则删除S(3)中判断h为正值的元素。在例子中若训练样例h为\u0026lt;S ,W ,N ,S ,W ,S\u0026gt;,0，那么修改后的S(4)就因该为 S(4)←{\u0026lt;S ,W ,H ,S ,W ,S \u0026gt;}
■网友
个人认为，这句话是冗余但并非错误，有它无它不影响。因为归纳偏置为合取，那么对于S来说，应该是极小特殊化，不该包含反例。
■网友
令 不一致假设为h，如果不移除h，那么变型空间必定会包含h或比h更一般的假设，而这些假设都会错判某反例，根据变型空间的定义，其中不应该包含这样的假设。
推荐阅读
- 汽车|创新纯电动BMW iX3能消除你的哪些焦虑？
- |润州区社会化养老入选全国2020年民生示范工程候选案例
- 用车常识|车辆噪音越来越大怎么办？别慌检查这5个部位，轻松消除噪音
- 走私|从源头消除隐患！启东公安依法严打网购仿真枪
- 宫颈癌|人类历史首次：全球实施三大措施，承诺2023年消除宫颈癌
- 开关|按一按消除积食问题孩子积食怎么办？身上2个消食“开关”
- |“国际消除对妇女暴力日”多部门联合举行宣传活动
- |新居消除甲醛 多通风最重要
- 计算机视觉/图像处理，机器学习/推荐广告，自然语言处理/理解，谁将会是最火热、最具前景的前沿方向
- 人工智能、机器学习、深度学习是不是主要能实现一个分类问题