《机器学习》Star生成：Induce方法

2)Star生成: Induce方法 ①事件e的各个选择符被放入PS(partial star)中,将ps中的元素按 照各种标准排序 ②在ps中保留最优的m个选择符. ③对ps中的选择符进行完备性和一致性检查,从ps中取出完备一 致的描述放入 SOLUTION表中,若 SOLUTION表的大小大于参数 #SOL,则算法停止一致但不完备的描述从ps中取出放入表 CONSISTENT中,若 CONSISTENT表的大小大于参数#cOS则转 ⑤; ④对每个表达式进行特殊化处理,所有得到的表达式根据优化标 准排列,仅保留m个最优的.重复步骤③,④直到 CONSISTENT表 中包含#CONS个表达式或该过程分配的时间用完为止 ⑤得到的一般化描述按优先标准排序,保留m个最优的表达式构 成约束Star(eeG,m) 举例: 例子集:表2.3 #SOL=2

2) Star生成: Induce方法 事件e的各个选择符被放入PS(partial star)中,将ps中的元素按 照各种标准排序. 在ps中保留最优的m个选择符. 对ps中的选择符进行完备性和一致性检查,从ps中取出完备一 致的描述放入SOLUTION表中,若SOLUTION表的大小大于参数 #SOL,则算法停止.一致但不完备的描述从ps中取出放入表 CONSISTENT中,若CONSISTENT表的大小大于参数#COS,则转 ; 对每个表达式进行特殊化处理,所有得到的表达式根据优化标 准排列,仅保留m个最优的.重复步骤, 直到CONSISTENT表 中包含#CONS个表达式或该过程分配的时间用完为止. 得到的一般化描述按优先标准排序,保留m个最优的表达式构 成约束Star(e|NEG,m). 举例: 例子集: 表2.3 #SOL=2

#CONS=2 M=2 优化标准:正例数/反例数 Fifel: [Fever=high][Cough=heavy][X-ray=flackJESR=normal] AUsculation=bubblelike] 第一轮 P d Fever=high o[Cough=heavy ②Xray=fack] O[Ausculation=bubblelike] 保留m个表达式 [ ausculation- bubblelike]一致的表达式放入 CONSISTENT中 LX-ray=flack

#CONS=2 M=2 优化标准: 正例数/反例数 种子 : [Fever=high][Cough=heavy][X-ray=flack][ESR=normal] [Ausculation=bubblelike] 第一轮: Ps:  [Fever=high] [Cough=heavy] [X-ray=flack] [ESR=normal] [Ausculation=bubblelike] 保留m个表达式 [Ausculation=bubblelike] 一致的表达式,放入CONSISTENT中 [X-ray=flack] + 1 e

特化 IX-ray-flackJESr=normal] IX-ray=flack][Fever=high 上面3个表达式均为一致的放入 CONSISTENT中按优先标准排 序并保留m(2)个表达式 AUsculation=bubblelike LX-ray==normal 选出一个最优的作为D D: AUsculation=bubblelike 将D覆盖的正例去掉.去掉1e2,e4,es第一轮结束. 第二轮 种子e3:[ Fever=low cOugh=Slight x-ray=spot]Esr-normal AUsculation=dry-peep]

特化; [x-ray=flack][ESR=normal] [X-ray=flack] [x-ray=flack][Cough=heavy] [x-ray=flack][Fever=high] 上面3个表达式均为一致的,放入CONSISTENT中,按优先标准排 序,并保留m(2)个表达式. [Ausculation=bubblelike] [x-ray=flack][ESR=normal] 选出一个最优的作为D D: [Ausculation=bubblelike] 将D覆盖的正例去掉. 去掉 第一轮结束. 第二轮: 种子 : [Fever=low][Cough=slight][x-ray=spot][ESR=normal] [Ausculation=dry-peep] + + + + 1 2 4 5 e ,e ,e ,e + 3 e

Ps fever=low o[Cough=slight OLX-ray=spot c ②ESR= normal 保留m(2)个表达式 ESR=normal X-ray=spot] 特殊化 ESR-normal] [fever=low [ESR=normal] [ESR=normal][Cough=slight ESR=normal] [Ausculation=dry-peep IX-ray=spot] ESR=normal LX-ray=spot [Ausculation=dry-peep X-ray=spot Cough=slight

Ps: [fever=low] [Cough=slight] [x-ray=spot] [ESR=normal] [Ausculation=dry-peep] 保留m(2)个表达式: [ESR=normal] [x-ray=spot] 特殊化: [ESR=normal] [fever=low] [ESR=normal] [ESR=normal] [Cough=slight] [ESR=normal] [Ausculation=dry-peep] [x-ray=spot] [ESR=normal] [x-ray=spot] [Ausculation=dry-peep] [x-ray=spot] [x-ray=spot] [fever=low] [x-ray=spot] [Cough=slight]

上面有3个表达式是一致的放入 CONSISTENT表中按优先标准 排序并保留m(2)个表达式 [X-ray=spot] ESR=normal LX-ray=spot] fever=low 选出一个最优的作为D D: X-ray=spot] ESR=normal 将D覆盖的正例从pos中去掉,去掉e3pos空 生成规则 [Ausculation=bubblelike] v [xray=spot][ESR- normal]l→肺炎 算法结束. 参考文献: Machine learning: An Artificial Intelligence Approach Edited by R.S. Michalski P39-135 2.归纳学习算法理论应用.洪家荣著P4-11,P30-33

上面有3个表达式是一致的,放入CONSISTENT表中,按优先标准 排序,并保留m(2)个表达式 [x-ray=spot] [ESR=normal] [x-ray=spot] [fever=low] 选出一个最优的作为D D: [x-ray=spot] [ESR=normal] 将D覆盖的正例从pos中去掉,去掉 ,pos空. 生成规则: [Ausculation=bubblelike]  [x-ray=spot] [ESR=normal]→肺炎 算法结束. 参考文献: 1. Machine learning: An Artificial Intelligence Approach Edited by R.S. Michalski P39-135. 2. 归纳学习-算法,理论,应用. 洪家荣著 P4-11, P30-33 + 3 e

3.机器学习:实现人工智能的途径科学出版社.P23-77 FCV算法 表24正例集PE和反例集NE PE NE 序号X1X2X3X4序号X1X2Ⅹ3X4 1000 34569 2 0 021 1278 22000 020102 0000 10 13 111 140 12|2001

3. 机器学习:实现人工智能的途径. 科学出版社. P.23-77. FCV算法 表2.4正例集PE和反例集NE PE NE 序号 X1 X2 X3 X4 序号 X1 X2 X3 X4 3 1 0 0 0 1 2 0 0 0 4 1 1 1 1 2 2 2 1 0 5 2 0 0 1 7 0 0 1 0 6 1 2 1 0 8 0 1 0 0 9 0 1 1 1 13 0 0 0 1 10 1 1 1 1 14 0 2 1 1 11 2 2 1 1 12 2 0 0 1