漂亮的php网站源码,上海工作网站,高校网站建设汇报,网址查询工具半监督学习的概念
少量有标签样本和大量有标签样本进行学习#xff1b;这种方法旨在利用未标注数据中的结构信息来提高模型性能#xff0c;尤其是在标注数据获取成本高昂或困难的情况下。 规则学习的概念
基本概念
机器学习里的规则 若......则...... 解释#xff1a;如果…半监督学习的概念
少量有标签样本和大量有标签样本进行学习这种方法旨在利用未标注数据中的结构信息来提高模型性能尤其是在标注数据获取成本高昂或困难的情况下。 规则学习的概念
基本概念
机器学习里的规则 若......则...... 解释如果预测函数 h^(x) 的输出等于某个值 y^则实际输出 y 也应为 y 解释如果预测函数 h(x) 的输出大于0则样本属于正类class 1否则属于负类class -1。 解释如果样本 x 到中心点 ci 的距离小于到其他所有中心点的距离则样本 x 被分配到簇 ci。
逻辑规则 规则集 如果西瓜的根蒂是缩缩的且肚脐是凹陷的则该西瓜是好瓜。如果西瓜的纹理是模糊的则该西瓜不是好瓜。
充分性与必要性
充分性: 如果条件满足则结论必然成立。必要性: 如果结论成立则条件必须满足。
冲突消解
顺序规则: 按照规则的顺序进行匹配和应用。缺省规则: 在没有明确规则的情况下使用默认规则。元规则: 用于处理规则之间的冲突或优先级问题。
命题逻辑 → 命题规则 原子命题: 用大写字母表示如 A,B,C,… 逻辑连词: 包括←,→,↔,∧,∨,¬,… eg 好瓜←(根蒂蜷缩)∧(脐部凹陷) 这个规则可以读作“如果西瓜的根蒂是蜷缩的且脐部是凹陷的则该西瓜是好瓜。”
序贯覆盖
主要一个生成规则集的机器学习算法主要用于分类任务。在训练集上每学到一条规则就将该规则覆盖的样例去除然后以剩下的样例组成训练集重复上述过程分治策略 单条规则学习
目标寻找一组最优的逻辑文字来构成规则体本质搜索问题方法 自顶向下一般到特殊特化 eg初始时假设“所有西瓜都是好瓜”然后逐步增加条件如“根蒂蜷缩且脐部凹陷”以更精确地定义哪些西瓜是好瓜。自底向上特殊到一般泛化
剪枝优化
预剪枝 使用似然率统计量 (LRS) 来评估规则的有效性并在规则生成过程中进行剪枝。目的是减少过拟合提高模型的泛化能力。后剪枝 在规则生成完成后通过穷举所有可能的剪枝操作来优化规则集。减错剪枝REP 用验证集反复剪枝直到准确率无法提高穷举所有可能的剪枝操作删除文字删除规则复杂度非常高两者结合 IREP每生成一条新规则即对其进行REP剪枝IREP*对IREP的改进RIPPER具体过程如下
① 用IREP*生成规则集但发现规则覆盖了两个负样本 ② 选取该规则找到其覆盖的样例之后重新生成规则 ③ 特化原规则后再泛化 ④ 把新规则和原规则分别置入规则集进行评价留下最好的
④ 反复优化直到无法进步 强化学习的概念 1. 强化学习对应了四元组
EX,A,P,R
X: 状态空间表示智能体感知到的环境状态。A: 动作空间表示智能体可以采取的动作。P: 状态转移概率函数表示在给定当前状态 xx 和动作 aa 下转移到下一个状态 x′x′ 的概率。R: 奖赏函数表示在给定当前状态 xx 和动作 aa 下获得的即时奖赏。
2. 强化学习的目标
目标: 机器通过在环境中不断尝试从而学到一个策略 π使得长期执行该策略后得到的累积奖赏最大。
强化学习常用马尔可夫决策过程 (MDP) 描述
1. 机器所处的环境 F
描述: 机器所处的环境。示例: 在种西瓜任务中环境是西瓜生长的自然世界。
2. 状态空间 X
定义: x∈X 是机器感知到的环境的描述。示例: 瓜苗长势的描述。
3. 机器能采取的行为空间 A
定义: 机器能采取的行为集合。示例: 浇水、施肥等。
4. 策略 (policy) π
定义: π:X→A 或 π:X×A→R 策略 π 是一个从状态空间 X 到行为空间 A 的映射表示在给定状态下智能体应采取的动作。示例: 根据瓜苗状态是缺水时返回动作浇水。
5. 潜在的状态转移 (概率) 函数 P
定义: P:X×A×X→R P 描述了在给定当前状态 x 和采取动作 a 后转移到下一个状态 x′ 的概率。示例: 瓜苗当前状态缺水选择动作浇水有一定概率恢复健康也有一定概率无法恢复。
6. 潜在的奖赏 (reward) 函数 R
定义: R:X×A×X→R 或 R:X×X→R 表示在状态 x 下采取动作 a 并转移到状态 x′ 时获得的奖赏。示例: 瓜苗健康对应奖赏 1瓜苗凋零对应奖赏 -10。 强化学习vs监督学习
