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Machine learning 候选淘汰,一个特殊用例,machine-learning,Machine Learning,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,> 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: , < ?, ?, ?>> && ,> 或: , < ?, ?, ?
- 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)
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。