爲了您的假設空間(H),你開始你的套極大一般的(G)和最大特定的(S)假設:
G0 = {<?, ?, ?>}
S0 = {<0, 0, 0>}
當你提出了一個反面例子,你需要從S中刪除與當前觀察不一致的任何假設,並用其與觀察一致的最小特化代替G中任何不一致的假設,但仍比一些S的成員更一般。因此,對於你的第一個(否定)例子,最小的專業化將會產生新的假設空間
G1 = {<small, ? , ?>, <?, blue, ?>, <?, ?, triangle>}
S1 = S0 = {<0, 0, 0>}
請注意,S沒有變化。對於你的下一個例子,(small, red, triangle)
,這也是否定的,你需要進一步專門化G.注意,G1中的第二個假設與新的觀察不匹配,因此只有G1中的第一個和第三個假設需要專門化。這將產生
G2 = {<small, blue, ?>, <small, ?, circle>, <?, blue, ?>, <big, ?, triangle>, <?, blue, triangle>}
然而,由於上述G2的第一和最後一個假設是中間假說(<?, blue, ?>
),我們放棄這兩個的專長,使
G2 = {<small, ?, circle>, <?, blue, ?>, <big, ?, triangle>}
S2 = S1 = S0 = {<0, 0, 0>}
對於正(small, red, circle)
觀察,你必須概括S和刪除G中任何不一致,這給
G3 = {<small, ?, circle>}
S3 = {<small, red, circle>}
(big, blue, circle)
是下一個反齒刃例如。但是,由於它不以G一致,沒有什麼可以做
G4 = G3 = {<small, ?, circle>}
S4 = S3 = {<small, red, circle>}
最後,你有(small, blue, circle)
的正面例子,這就需要你來概括s到使它與一致。例如,給
G5 = {<small, ?, circle>}
S5 = {<small, ?, circle>}
由於G和S是平等的,所以你已經學會了「小圈子」的概念。
訓練集包含3個屬性,最後一個是分類數據,無論是+ ve還是-ve。您能否解釋G,S集在擴展時如何考慮每個訓練數據? @YvesDaoust – Ravi
@SeanOwen實際上有一些關於「是」和「否」的特別之處。 「是」標籤會導致特定假設的泛化,否則「否」會導致一般假設的專業化。 – bogatron
@ user3419395 - 我最初的答案出錯了,我剛剛糾正了錯誤。 – bogatron