machine-learning - Find-S 的缺点

Question

Find-S 算法常见的缺点之一是 Find-S 返回的假设 h 可能不是唯一适合数据的 h。

现在，我在理解这一点时遇到了问题，因为肯定只能有一个“最具体”的假设？

例如:给定以下训练数据:

我们将得到以下迭代 i:

i0: S = {Japan, Honda, Blue, 1980, Economy}(使用示例 1)

i1: S = {Japan, Honda, Blue, ?, Economy}(使用示例 3:跳过示例 2，因为它为负数)

i2: S = {Japan, Honda, ?, ?, Economy}(使用示例 5:跳过示例 4，因为它为负数)

i3: S = {日本, ?, ?, ?, 经济}(使用示例 6)结束(跳过示例 7，因为它是否定的)

因此，在我看来，除了 S = {Japan, ?, ?, ?, Economy} 之外，该数据集不可能有任何其他最具体的假设。但显然我一定是错的。有人可以解释一下我的假设是错误的吗？谢谢。

Answer 1

我自己正在学习这个。但据我所知，我得出了与你相同的答案。然而，在您的 i1 步骤中，您错过了 Toyota ，这会给您带来 ？早些时候，如下所示:

S1 = {Japan, Honda, Blue, 1980, Economy}

S2 = {Japan, ?, Blue, ?, Economy}

S3 = {Japan, ?, ?, ?, Economy}

S4 = {Japan, ?, ?, ?, Economy}

我实际上是半小时前才开始阅读这篇文章，但据我所知，到目前为止，Find-S 只会给你一个假设，因为你是从特定 ==> 广义出发的 形式。

但是，如果您采用的是概括==>具体形式，那么您最终可能会得到很多示例。我来这里是因为这就是我试图找出它是如何运作的原因。