機器學習中“假設空間”到底是什麼？“歸納學習”又是什麼？“布林概念”呢？
阿新 • • 發佈：2018-12-16
目錄
歸納和演繹
“歸納”和“演繹”是科學推理的兩大基本手段
“歸納”是從特殊到一般，是一個“泛化”過程，是總結經驗，比如貓有哪些特點？
“演繹” 就是從一般到特殊，從基本情況推出具體情況，是“特化”過程
從“樣本”中學習過程 稱為“歸納學習”
歸納學習分為廣義和狹義：
- 廣義的歸納學習大體相當於從樣例中學習
- 狹義的歸納學習要求從訓練資料中得到概念。（“概念”是一種存在的我們可能未知的事實。）
概念學習、概念形成最基本的是布林概念學習：
布林值就是0和1，表示“是”或者“不是”
假設我們有一個數據集，用來訓練演算法。通過 “ 色澤+跟蒂+敲聲” 來判斷這個瓜是否是好瓜。
計算機拿到這組資料集時，首先是直接記錄了這4個情況，等於只要和 這4種情況一樣，我們就可以直接判斷瓜的好壞。
但是訓練是從特殊到一般的過程，目的是“泛化”，能根據資料集訓練得到未知的結果，從而對瓜好壞進行判斷。
學習過程：在假設組成的空間中進行搜尋，搜尋目標與訓練進行“匹配”，從而能夠進行判斷。
以這個西瓜集為例子，形成的假設空間為：
假設空間相當於是對資料集的全組合，對未知的情況也進行組合，以便得到更加普遍“泛化”
現實生活中，假設空間都很大，而訓練樣本有限， 因此可能存在一個 與訓練集一致的“假設集合”，我們稱為“版本空間”
表1對應的版本空間為：
解答疑問
1.假設空間得到的結果一定是全組合嗎？
全組合是基於你給的資料集屬性決定的，比如，現在給你一個黃顏色的芯的西瓜，那就不在這個假設空間中。
2.假設空間還不是 很明白，能不能簡單描述？
假設空間就是基於資料集形成的所有情況的假設集合，對每種情況根據資料集分析得到概率情況，以便後期對未知情況進行判斷