机器学习原理介绍.pptVIP

2. 获取一般性的知识 任务：对上一步得到的解释结构进行一般化的处 理，从而得到关于目标概念的一般性知识。 方法：将常量换成变量，并把某些不重要的信息 去掉，只保留求解问题必须的关键信息。图 2 为图 1 的 一般化解释结构，可以得到如下一般性知识： Volume (O1, v1) ∧ Density (O1, d1) ∧ *(v1, d1, w1) ∧ Isa(O2,table) ∧ Smaller(w1,15) → Safe -To- Stack(Obj1,obj2) 图 2 Safe-To-Stack(O1,O2) 一般化解释结构 Safe-To-Stack(O1,O2) Lighter(O1,O2) Weight(O1,w1) Weight(O2,15) Isa(O2,table) Voume(O1,v1) Density(O1,d1) Smaller(w1,15) *(v1,d1,w1) 以后求解类似问题时，就可以直接利用这个知 识进行求解，提到了系统求解问题的效率。 领域知识的完善性 ? 领域知识对证明的形成起着重要的作用，只有 完善的领域知识才能产生正确的学习描述。但 是，不完善是难以避免的，此时有可能出现如 下 两种极端情况： 1. 构造不出解释 2. 构造出了多种解释 ? 解决办法： 1. 最 根本的办法是提供完善的领域知识 2. 学习系统也应具有测试和修正不完善知识的能 力，使问题能尽早地被发现，尽快地被修正。 7.7 神经学习 ? 我们先简单回顾一下神经网络的基本原理 。 人工神经元的基本构成 x = +1 0 人工神经元模拟生物神经元的一阶特性 。 ? w 0 输入： X= （ x1 ， x2 ， … ， xn ） x W= （ w 1 Activation ? 联接权： w1 ， w2 ， … ， wn ） T Local function ? 网络输入： 1 net=∑xiwi Field Input Output ? 向量形式： net=XW f ( ) v signal x 2 w o 2 ? 激活函数： f ? 网络输出： o=f （ net ） Summing ? ? x n Synaptic w n weights ? function 1 一组突触和联结，联结具有权值 W 1 , W 2 , …, W n 2 通过加法器功能，将计算输入的权值之和 net=∑xiwi 3 激励函数限制神经元输出的幅度 o=f （ net ） 典型激励函数 o o a+b o γ c=a+b/2 c net net net (0,c) 非线性斜面函数（ Ramp Function ） S 形函数（ Sigmoid ） - γ Liner Function ） 线性函数（ f （ net ） =k*net+c a - θ o θ 神经网络常见三大类模型