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

《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。