候选淘汰算法讲座示例

Question

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

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

以及正负训练样例集：

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

用第一个例子训练：( S W N ) +) 泛化……

G = [( ? ? ? )] S = [( S W N )]

用第二个例子训练：( R C L ) -) special...

G = [( S ? ? ) ( ? W ? ) ( ? ? N )
S = [( S W N )]

用第三个例子训练：( S C N ) +) 泛化……

G = [( S ? ? )( ? ? N )] （另一个被丢弃）
S = [( S ? N )]

用第四个例子训练：( S W L ) -) special...

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

收敛，学到的概念一定是：[( S ? N )]

Answer 1

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

它可以简单地使用候选消除算法。据此，原因可归纳如下。

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 ) 被删除它与 ( S ? N ) 不一致

2. 具体边界比一般边界更一般。

   如果特定边界变得比一般边界更具体。可能存在边界重叠。

   如果我们将派生的 (S C ? ) 与 (S ? N ) 进行比较，我们可以将中间的 c 与 ? (S ? N)。与特定边界相比，具有常数的派生值使其更具体。所以它应该被删除。 (?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很有用。