第八章 机器学习习题解答Word文档下载推荐.docx
《第八章 机器学习习题解答Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《第八章 机器学习习题解答Word文档下载推荐.docx(8页珍藏版)》请在冰豆网上搜索。
·
长期记忆(LTM)先验知识背景如事物的基本概念和定义、定律和公理,博弈的基本规则等
中期记忆(MTM)环境事物的各种具体知识
短期记忆(STM)环境变化的信息和数据事实库或“黑板
②学习元学习系统的核心环节
采集环境信息息选例环节或直接采集
接受监督指导监督环节的示教、指导信息或评价准则
进行学习推理获得有关问题的解答和结论
修改知识库将推理结果输入知识库,对知识增删改
③执行元识别、论证、决策、判定
模式分类器、专家咨询解释系统、智能控制机构、机械手/人等
如执行元行动结果直接引起环境的变化◊“在线”学习系统
机器人规划、生产过程控制、机器博弈等
④监督环节人:
示教者;
监督器:
评价准则或检验标准
·
工作执行效果评价——接受来自执行元环节的反馈信息,对系统的工作执行效果进行评价和检验
制定评价标准——接受来自环境变化的信息,制定和修订评价标准和检验标准
监督学习环节——根据评价和检验的结果,对学习环节进行示教、训练或指导
控制选例环节——根据环境变化信息及工作执行效果的反馈,控制选例环节,选取其它事例或样本
⑤选例环节
作用是从环境中选取有典型意义的事例或样本,作为系统的训练集或学习对象。
如挑选典型病历,以便提高学习效率,加速学习过程。
选例环节可以由人或机器来实现
⑥环境
系统获取知识和信息的来源,执行的对象和人物等。
如,医疗专家系统的病员、病历档案、医生、诊断书等;
模式识别系统的文字、图象、物景;
博弈系统的对手、棋局;
智能控制系统的被控对象和生产过程等。
8.4答:
(1).机械学习模型
机械学习——一种最简单的机器学习方法
机械学习是最基本的学习过程,任何学习系统都必须记住它们获取的知识
机械学习系统:
知识的获取是以较为稳定和直接的方式进行的,不需要系统进行过多的加工
机械学习就是记忆,即把新的知识存储起来,供需要时检索调用,而不需要计算和推理
归纳过程可以简化成推导过程
直接使用求根公式计算一个一元二次方程的根自学
(2).机械学习的主要问题
1存储组织信息
2环境的稳定性与存储信息的适用性问题。
密切监视外界环境的变化,不断地更换所保存的信息;
核对。
3存储与计算之间的权衡。
预估算;
“选择忘却”技术
8.5答:
(1)示例学习:
病态细胞的分类识别例如图,
•正例——三个病细胞(P1,P2,P3),
•反例——二个正常细胞(N1,N2);
•每个细胞由二个细胞体组成
*细胞体表示为三元组:
(核数、尾数、染色状),
*P1:
{(2,2,深)(1,1,浅)}。
•学习任务——从例子集中归纳出有病状X的细胞
A.概念描述的搜索和获取
概念描述
•假设不必给每个特性(属性)都指明应取值:
*没有给出值的特性(以?
指示)——对于该概念的描述无关紧要;
*病细胞假设(a):
{(2,?
?
)(?
1,深)},一个细胞体有二个胞核;
另一个有一个尾巴,且染色是深的。
•病细胞假设空间的半序图(图6.5)
•假设之间的关系弧指示泛化/特化关系,
•假设空间上的一个泛化/特化关系(图6.4),
*假设(b)不考虑细胞体是否有尾巴,比假设(a)复盖更多的例子;
*假设(b)比假设(a)泛化;
*假设(a)比假设(b)特化。
•底层假设——最特化(具体)的概念描述:
*所有特性都给定特别值,对应于例子空间中的一个例子。
•顶层假设——最泛化的概念描述:
*不指定任何具体的特性值,
*表示为{(?
?
),(?
)}。
•假设空间中的搜索方式
•特化搜索——从最泛化的假设(概念描述)出发,每次取用一个新的例子,就产生一些特化的描述,直到将初始最泛化的假设特化为解描述。
•泛化搜索——从最特化的假设(相应于例子空间中的一个例子)开始,每次取用一个新的例子时,就产生一些泛化的描述,直到产生出足够泛化的解描述。
•大多数示例学习方法都采用这二种方法或这二个方法的结合。
B.逐步泛化的学习策略
•采用宽度优先、自底向上的搜索方式:
•将第一个正例(P1)作为初始假设(H1)——极端特化的假设;
•正例(P2)用于指导系统生成泛化的假设(H2和H3):
*多个泛化的假设——不同的映射会导致不同的假设,-假设H1中包含了二个对象(细胞体);
*采用保守原则——最低限度的泛化,:
-新的假设刚好覆盖现有的假设/例子。
•反例(N1)用来剪裁过于泛化的假设:
●H3是过于泛化的假设,因为其蕴涵了反例N1。
基本策略:
•遇见正例就泛化某些假设以保证假设的完全描述性,
•遇见反例则删去某些假设以保证假设的一致描述性,
•直至得到一个既完全又一致的解描述(假设)为止。
•这个解描述作为满足给定例子集的概念定义——学习系统获得的新知识。
C.逐步特化的学习策略
•采用宽度优先、自顶向下的搜索方式(与泛化策略相反):
•新例子的加入会导致新假设的增加和已存在假设的删除(与泛化策略类似)。
•正例和反例所起的作用与泛化策略相反:
•反例——生成一些特化假设;
*采用保守的原则——最低限度的特化:
-新的假设在覆盖已有正例的同时只是刚好能排斥反例;
•正例——剪裁过于特化的假设。