7.1.4从例子中学习 这种形式的学习,给学习者提供某一概念的一组正例反例 (归纳学习的特例)。学习者归纳出一个总的概念描述使它适 合于所有的正例且排除所有的反例。从例子中学习在工智 能中研究得很多。用这种方法,由于老师没有提供总中概念, 学习者的推理量比根据指示学习要多得多。因此,也电于没 有与新概念类似的旧概念作“种子”,推理量也多于根据类 推学习。 第7章相关机器学习
第7章 相关机器学习 7 . 1 . 4 从例子中学习 这种形式的学习，.给学习者提供某一概念的一组正例和反例 (归纳学习的特例)。学习者归纳出一个总的概念描述使它适 合于所有的正例且排除所有的反例。从例子中学习在人工智 能中研究得很多。用这种方法, 由于老师没有提供总的概念， 学习者的推理量比根据指示学习要多得多。因此, 也由于没 有与新概念类似的旧概念作“种子”，推理量也多于根据类 推学习
从例子中学习可根据例子的来源不同而分成几个子类 (1)来源于教师 这就是说,教师应该知道这个概念,并且提供出一继有利 于形成这种概念的例子序列。当然,茹果教师还知道或者 更典型地是推测出学习者的知识状态那么教师所出的 例子最有利于收敛到所希望的概念 第7章相关机器学习
第7章 相关机器学习 从例子中学习可根据例子的来源不同而分成几个子类： （1）来源于教师 这就是说，教师应该知道这个概念, 并且提供出一组有利 于形成这种概念的例子序列。当然，如果教师还知道(或者 更典型地是推测出)学习者的知识状态, 那么教师所选出的 例子最有利于收敛到所希望的概念
(2)来源于学习者本身 学习者明确知道自己的知识状态,但完全不清楚所要获取的概 念。因此,学习者可以根据信息来产生例子(并让外部买体如 环境或者教师区分出正例和反例)。产生例子的信息是学习者 认为对于区分各种有争议的概念描述所华须的。例如,辛习者 要想获得“铁磁性物质”概念,它或计会产生“所有的金属” 作为可能的后选者,用磁体对铜和其它盒属做实验,就会发现 铜是一个反例。因此要产生“铁磁性物质”这个概念成不应该 包含所有的金属 第7章相关机器学习
第7章 相关机器学习 （2）来源于学习者本身 学习者明确知道自己的知识状态, 但完全不清楚所要获取的概 念。因此，学习者可以根据信息来产生例子（并让外部实体如 环境或者教师区分出正例和反例）。产生例子的信息是学习者 认为对于区分各种有争议的概念描述所必须的。例如, 学习者 要想获得“铁磁性物质” 概念，它或许会产生“所有的金属” 作为可能的后选者，用磁体对铜和其它盒属做实验，就会发现 铜是一个反例。因此要产生“铁磁性物质”这个概念就不应该 包含所有的金属
(3)来源于学习者以外的外部环境 在这种情况下,由于学习者必须依靠相对说来 法控制的观察事件,这时,也可能例子的产生 程是随机的。例如,一个天文学家要想对超新 的出现给出预兆,他就必须主要体靠非结构化 数据(尽管他知道超新星的概念,但是他不能 验地推知一颗超新星会在何时何地出现,也不能 由他引出一颗超新星)。 第7章相关机器学习
第7章 相关机器学习 （3）来源于学习者以外的外部环境 在这种情况下，由于学习者必须依靠相对说来无 法控制的观察事件, 这时，也可能例子的产生过 程是随机的。例如，一个天文学家要想对超新星 的出现给出预兆，他就必须主要依靠非结构化的 数据（尽管他知道超新星的概念，但是他不能先 验地推知一颗超新星会在何时何地出现，也不能 由他引出一颗超新星）
从例子中学习也能根据学习者所获取的可用例子的类 型分类: (1)只用正例 尽管正例提供了所要获取的概念的实例,然而,这些 例子不能防止推导出概念外延扩天化。在这种习中 防止概念扩大化或许可以通过只井虑那些对定↓概念 必不可少的法则构成的最小集。或依靠预先了解的领 域知识来对所推导的慨念加以限制。 第7章相关机器学习
第7章 相关机器学习 从例子中学习也能根据学习者所获取的可用例子的类 型分类： （1）只用正例 尽管正例提供了所要获取的概念的实例, 然而, 这些 例子不能防止推导出概念外延扩大化。在这种学习中， 防止概念扩大化或许可以通过只考虑那些对定义概念 必不可少的法则构成的最小集 。或依靠预先了解的领 域知识来对所推导的慨念加以限制