Algorithm 对候选人淘汰有点困惑
所以我遇到了一个在线的powerpoint候选消除算法 我理解前三个例子,但当我读第四个例子时,我感到困惑。 为什么在四个例子之后 G={(?,蓝色,,,,,,(日本,,,,,经济)} 及 不象这个例子G={(日本,蓝色,,,,,,,,,,,经济)}Algorithm 对候选人淘汰有点困惑,algorithm,machine-learning,artificial-intelligence,Algorithm,Machine Learning,Artificial Intelligence,所以我遇到了一个在线的powerpoint候选消除算法 我理解前三个例子,但当我读第四个例子时,我感到困惑。 为什么在四个例子之后 G={(?,蓝色,,,,,,(日本,,,,,经济)} 及 不象这个例子G={(日本,蓝色,,,,,,,,,,,经济)} 有人能给我一些解释吗?在每次迭代中,您需要问自己——我的边界是否正确地对我的示例进行分类?如果没有-我如何改变边界,使它们仍然是最大的,但将正确分类的例子 在这种情况下,您得到的负面示例是(美国、克莱斯勒、红色、经济型),您的边界是: G = {(
有人能给我一些解释吗?在每次迭代中,您需要问自己——我的边界是否正确地对我的示例进行分类?如果没有-我如何改变边界,使它们仍然是最大的,但将正确分类的例子 在这种情况下,您得到的负面示例是(美国、克莱斯勒、红色、经济型),您的边界是:
G = {(?,?,blue,?,?),(Japan,?,?,?,Economy)}
这个例子没有教你任何关于颜色“蓝色”的东西,事实上说(日本,,,蓝色,,?)
:
(?,?,?,?,经济)
,您将看到负面示例确实适合它(即未分类为正面),因此您必须更改它!怎样?通过将新边界设置为(日本、、、?经济体)