Paano Maipatupad ang Find-S Algorithm Sa Pag-aaral ng Makina?

Sa , ang pag-aaral ng konsepto ay maaaring tawaging ' isang problema sa paghahanap sa pamamagitan ng isang paunang natukoy na puwang ng potensyal na teorya para sa teorya na pinakaangkop sa mga halimbawa ng pagsasanay ”- Tom Mitchell. Sa artikulong ito, dadaan kami sa isang tulad ng algorithm ng pag-aaral ng konsepto na kilala bilang Find-S algorithm. Ang mga sumusunod na paksa ay tinalakay sa artikulong ito.

• Ano ang Find-S Algorithm sa Pag-aaral ng Makina?
• Paano Ito Gumagana?
• Mga limitasyon ng Find-S Algorithm
• Pagpapatupad ng Find-S Algorithm
• Gumamit ng Kaso

Ano ang Find-S Algorithm sa Pag-aaral ng Makina?

Upang maunawaan ang Find-S algorithm, kailangan mong magkaroon ng isang pangunahing ideya ng mga sumusunod na konsepto din:

kung paano gamitin ang maghintay at abisuhan sa java

1. Pag-aaral ng Konsepto
2. Pangkalahatang Hypothesis
3. Tiyak na Hypothesis

1. Pag-aaral ng Konsepto

Subukan nating maunawaan ang pag-aaral ng konsepto sa isang halimbawa ng totoong buhay. Karamihan sa pag-aaral ng tao ay batay sa mga nakaraang pagkakataon o karanasan. Halimbawa, nakilala namin ang anumang uri ng sasakyan batay sa isang tiyak na hanay ng mga tampok tulad ng paggawa, modelo, atbp., Na tinukoy sa isang malaking hanay ng mga tampok.

Ang mga espesyal na tampok na ito ay naiiba ang hanay ng mga kotse, trak, atbp mula sa mas malaking hanay ng mga sasakyan. Ang mga tampok na ito na tumutukoy sa hanay ng mga kotse, trak, atbp ay kilala bilang mga konsepto.

Katulad nito, maaari ring matuto ang mga machine mula sa mga konsepto upang makilala kung ang isang bagay ay kabilang sa isang tukoy na kategorya o hindi. Kahit ano na sumusuporta sa pag-aaral ng konsepto ay nangangailangan ng mga sumusunod:

• Data ng Pagsasanay
• Target na Konsepto
• Mga Tunay na Bagay ng Data

2. Pangkalahatang Hypothesis

Ang hipotesis, sa pangkalahatan, ay isang paliwanag para sa isang bagay. Karaniwang sinasabi ng pangkalahatang teorya ang pangkalahatang ugnayan sa pagitan ng mga pangunahing variable. Halimbawa, isang pangkalahatang teorya para sa pag-order ng pagkain ay Gusto ko ng burger.

G = {‘?’, ‘?’, ‘?’,… .. ’?’}

3. Tiyak na Hypothesis

Pinupuno ng tukoy na teorya ang lahat ng mahahalagang detalye tungkol sa mga variable na ibinigay sa pangkalahatang teorya. Ang mas tiyak na mga detalye sa halimbawang ibinigay sa itaas ay Gusto ko ng cheeseburger na may manok na pepperoni na pinupuno ng maraming litsugas.

S = {‘& Phi’, ’& Phi ',' & Phi ', ……,' & Phi '}

Ngayon, pag-usapan natin ang tungkol sa Find-S Algorithm sa Pag-aaral ng Machine.

Ang Find-S algorithm ay sumusunod sa mga hakbang na nakasulat sa ibaba:

1. Ipasimula ang 'h' sa pinakatukoy na hipotesis.
2. Isinasaalang-alang lamang ng Find-S algorithm ang mga positibong halimbawa at inaalis ang mga negatibong halimbawa. Para sa bawat positibong halimbawa, ang mga pagsusuri ng algorithm para sa bawat katangian sa halimbawa. Kung ang halaga ng katangian ay kapareho ng halaga ng teorya, ang algorithm ay nagpapatuloy nang walang anumang mga pagbabago. Ngunit kung ang halaga ng katangian ay naiiba kaysa sa halaga ng hipotesis, binabago ito ng algorithm sa '?'.

Ngayon na tapos na kami sa pangunahing paliwanag ng algorithm ng Find-S, tingnan natin kung paano ito gumagana.

Paano Ito Gumagana?

1. Nagsisimula ang proseso sa pagsisimula ng 'h' kasama ang pinaka tukoy na teorya, sa pangkalahatan, ito ang unang positibong halimbawa sa hanay ng data.
2. Sinusuri namin ang bawat positibong halimbawa. Kung ang halimbawa ay negatibo, magpapatuloy tayo sa susunod na halimbawa ngunit kung ito ay isang positibong halimbawa isasaalang-alang namin ito para sa susunod na hakbang.
3. Susuriin namin kung ang bawat katangian sa halimbawa ay katumbas ng halaga ng teorya.
4. Kung tumutugma ang halaga, walang nagawa na mga pagbabago.
5. Kung ang halaga ay hindi tumutugma, ang halaga ay binago sa '?'.
6. Ginagawa namin ito hanggang sa maabot namin ang huling positibong halimbawa sa hanay ng data.

Mga limitasyon ng Find-S Algorithm

Mayroong ilang mga limitasyon ng Find-S algorithm na nakalista sa ibaba:

1. Walang paraan upang matukoy kung ang teorya ay pare-pareho sa buong data.
2. Ang mga hindi pare-parehong set ng pagsasanay ay maaaring talagang linlangin ang Find-S algorithm, dahil hindi nito pinapansin ang mga negatibong halimbawa.
3. Ang Find-S algorithm ay hindi nagbibigay ng isang diskarteng backtracking upang matukoy ang pinakamahusay na posibleng mga pagbabago na maaaring gawin upang mapabuti ang nagresultang teorya.

Ngayong may kamalayan tayo sa mga limitasyon ng Find-S algorithm, tingnan natin ang isang praktikal na pagpapatupad ng Find-S Algorithm.

Pagpapatupad ng Find-S Algorithm

Upang maunawaan ang pagpapatupad, subukan nating ipatupad ito sa isang mas maliit na hanay ng data na may maraming mga halimbawa upang magpasya kung ang isang tao ay nais na maglakad.

Ang konsepto ng partikular na problemang ito ay magiging sa kung anong mga araw ang gusto ng isang tao na maglakad.

Sa pagtingin sa hanay ng data, mayroon kaming anim na mga katangian at isang pangwakas na katangian na tumutukoy sa positibo o negatibong halimbawa. Sa kasong ito, oo ay isang positibong halimbawa, na nangangahulugang mamamasyal ang tao.

Kaya ngayon, ang pangkalahatang teorya ay:

h₀= {'Umaga', 'Maaraw', 'Mainit', 'Oo', 'Maamo', 'Malakas'}

Ito ang aming pangkalahatang teorya, at ngayon isasaalang-alang namin ang bawat halimbawa nang paisa-isa, ngunit ang mga positibong halimbawa lamang.

h_isa= {'Umaga', 'Maaraw', '?', 'Oo', '?', '?'}

h₂= {'?', 'Sunny', '?', 'Oo', '?', '?'}

Pinalitan namin ang lahat ng magkakaibang halaga sa pangkalahatang teorya upang makakuha ng isang pang-agarang hipotesis. Ngayong alam na natin kung paano gumagana ang Find-S algorithm, tingnan natin ang isang pagpapatupad gamit ang Sawa .

Gumamit ng Kaso

Subukan nating ipatupad ang halimbawa sa itaas gamit ang . Ang code upang ipatupad ang Find-S algorithm gamit ang nasa itaas na data ay ibinibigay sa ibaba.

import pandas bilang pd import numpy bilang np #to basahin ang data sa csv file data = pd.read_csv ('data.csv') print (data, 'n') #making isang array ng lahat ng mga katangian d = np.array (data) [:,: - 1] i-print ('n Ang mga katangian ay:', d) #segragating ang target na may positibo at negatibong mga halimbawa target = np.array (data) [:, - 1] print ('n Ang target ay: ', target) #training function upang ipatupad ang find-s algorithm def train (c, t): para sa i, val sa enumerate (t): kung val ==' Oo ': specific_hypothesis = c [i]. kopyahin () basagin para sa i, val sa enumerate (c): kung t [i] == 'Oo': para sa x sa saklaw (len (specific_hypothesis)): kung val [x]! = specific_hypothesis [x]: specific_hypothesis [ x] = '?' iba pa: pumasa sa tukoy na pagbabalik ng_hypothesis # pagkakaroon ng huling pag-print ng teorya ('n Ang pangwakas na teorya ay:', tren (d, target))

Output:

Dinadala tayo nito sa pagtatapos ng artikulong ito kung saan natutunan ang Find-S Algorithm sa Machine Pag-aaral kasama ang pagpapatupad at paggamit ng kaso. Inaasahan kong malinaw ka sa lahat ng naibahagi sa iyo sa tutorial na ito.

Kung nakita mo ang artikulong ito sa 'Find-S Algorithm Sa Pag-aaral ng Makina' na nauugnay, tingnan ang isang pinagkakatiwalaang kumpanya sa online na pag-aaral na may isang network ng higit sa 250,000 nasiyahan na mga nag-aaral na kumalat sa buong mundo.

Narito kami upang matulungan ka sa bawat hakbang sa iyong paglalakbay at magkaroon ng isang kurikulum na idinisenyo para sa mga mag-aaral at propesyonal na nais na maging . Ang kurso ay dinisenyo upang bigyan ka ng isang panimula sa Python program at sanayin ka para sa parehong core at advanced na mga konsepto ng Python kasama ang iba't ibang katulad , , atbp.

Kung mahahanap mo ang anumang mga katanungan, huwag mag-atubiling itanong ang lahat ng iyong mga katanungan sa seksyon ng mga komento ng 'Find-S Algorithm Sa Pag-aaral ng Makina' at ang aming koponan ay nalulugod na sagutin.