Machine learning 候选淘汰，一个特殊用例

所以我理解并学习候选淘汰过程，找到假设空间。我对在以下示例中运行CEl感到有点困惑：

我们有一个笼子，两只鸟可以住在同一个笼子里。每一只鸟都被描述为

• 性别（男，女）
• 颜色（红色、绿色、蓝色）
• 原产地（美国、巴西、俄罗斯、澳大利亚、中国）

经过一些迭代后，我得到了S特定假设和G一般假设，如下所示：

S，<女性，蓝色，中国>>

G，<？，？，？，？>>

现在，如果培训示例为： 阴性，即不能同居，>

新的G一般假设是什么

让我写下我认为可能的答案：

新G

其中一个： , < ?, ?, ?>> && ，<？，？，中国>>

或： , < ?, ?, ?>> && ，<？，？，中国>>&& ，<？，？，俄罗斯>>&& ，<？，？，巴西>>&& ，<？，？，美国>>

---

我认为第二个是正确的，因为这是一个普遍的假设，应该包括其余三个国家。

第二个是不正确的，因为根据候选消除算法，对于G的每个最小特化，S中必须有一个更具体的假设。但您添加了三个专业，其中S中的单一假设并不更具体（S要求第二只鸟来自中国，而您添加到G的最后三个专业需要其他特定国家）

第一个版本似乎是正确的

---

请注意，这里有一个假设，即假设中的两只鸟的顺序很重要。

解释得很好！是的，假设顺序很重要。