当前位置:首页 >> 计算机软件及应用 >> 归纳学习-人工智能

归纳学习-人工智能


归纳学习能够获得新的概念, 创立新的规则, 发现新的理论。 它的一般操作是泛化(Generalization) 和特化(Specialization)。泛化用来扩展一假设的语义信息,以使其能够包含更多的正例,应用于更多 的情况。特化是泛化的相反的操作,用于限制概念描述的应用范围。?归纳学习是符号学习中研究的 最为广泛的一种方法。给定关于某个概念的一系列已知的正例与反例,其任务是从中归纳出一个一般 的概念描述。

基本概念
归纳学习旨在从大量的经验数据中归纳抽取出一般的判定规则和模式,是从特殊情况推导出一 般规则的学习方法。归纳学习的目标是形成合理的能解释已知事实和预见新事实的一般性结论。 归纳学习由于依赖于经验数据,因此又称为经验学习(Empirical? Learning),由于归纳依赖于数据间 的相似性,所以也称为基于相似性的学习(Similarity Based Learning)。 归纳学习的双空间模型如图所示。

双空间模型

归纳学习系统执行过程
依据双空间模型建立的归纳学习系统,其执行过程可以大致描述为: 首先由施教者给实例空间提供一些初始示教例子,由于示教例子在形式上往往和规则形式不同,因此 需要对这些例子进行转换,解释为规则空间接受的形式。 然后利用解释后的例子搜索规则空间,由于一般情况下不能一次就从规则空间中搜索到要求的规则, 因此还要寻找一些新的示教例子,这个过程就是选择例子。 程序会选择对搜索规则空间最有用的例子,对这些示教例子重复上述循环。如此循环多次,直到找到 所要求的例子。

(一)实例空间
在双空间模型中,实例空间所要考虑的主要问题包括两个:一是示教例子的质量,另一个是实例 空间的搜索方法。 ? 解释例子的目的是从例子中抽取出用于搜索规则空间的信息, 也就是把示教例子 变换成易于进行符号归纳的形式。?

选择例子就是确定需要哪些新的例子和怎样得到这些例子。

(二)规则空间
所谓规则空间是用指定的描述语言可以表示的所有规则(概念假设)的集合。 对规则空间有三个方面的要求:规则表示方法应适应归纳推理;规则的表示 与例子的表示一致;规则空间应包含要求的规则。

规则空间的目的就是规定表示规则的算符和术语, 以描述和表示规则空间中 的规则,与之相关的两个问题是对规则空间的要求和规则空间的搜索方法。 规则空间的搜索方法有: 数据驱动的方法-数据驱动的方法适合于逐步接受示教例子的学习过程。 规则驱动的方法 模型驱动的方法-模型驱动方法通过检查全部例子来测试和放弃假设。

归纳学习方法的分类
归纳学习方法可以划分为单概念学习和多概念学习两类。这里,概念指用某种描述语言表示的 谓词,当应用于概念的正实例时,谓词为真,应用于负实例时为假。从而概念谓词将实例空间划分为 正、反两个子集。 ? 对于单概念学习,学习的目的是从概念空间(即规则空间)中寻找某个与实例空间一致的概念; ? 对于多概念学习任务,是从概念空间中找出若干概念描述,对于每个概念描述,实例空间中均有 相应的空间与之对应。

典型的单概念学习系统包括: 米切尔(Tom Mitchell)的基于数据驱动的变型空 间法, 昆兰(J.R. Quinlan)的 ID3 方法, 狄特利希(T.G. Dietterich)和米哈尔斯基(R.S. Michalski)提出的基于模型驱动的 Induce 算法。 ? 典型的多概念学习方法和系统有:米哈尔斯基的 AQ11、DENDRAL 和 AM 程序等。多概念学习任务可以划分成多个单概念学习任务来完成。 ? 多概念学习与单概念学习的差别在于多概念学习方法必须解决概念之间的冲 突问题。


赞助商链接
更多相关文档:

人工智能 知识点归纳

人工智能 知识点归纳 - 人工智能的不同研究流派:符号主 人工智能的不同研究流派 义/逻辑主义学派--符号智能;连接主 义--计算智能;行为主义-低级智能。 人工智能...

更多相关标签:
网站地图

文档资料共享网 nexoncn.com copyright ©right 2010-2020。
文档资料共享网内容来自网络,如有侵犯请联系客服。email:zhit325@126.com