毫升 |查找 S 算法

介绍 ：
find-S算法是机器学习中的一种基本概念学习算法。 find-S 算法找到适合所有正例的最具体的假设。这里我们必须注意，该算法只考虑那些正面的训练示例。 find-S 算法从最具体的假设开始，并在每次未能对观察到的正训练数据进行分类时推广该假设。因此，Find-S 算法从最具体的假设转移到最普遍的假设。

重要代表：

1. ?表示该属性可以接受任何值。
2. 为属性指定一个必需的值（例如 Cold ）。
3. ϕ表示没有可接受的值。
4. 最一般的假设表示为： {?, ?, ?, ?, ?, ?}
5. 最具体的假设表示为： {ϕ, ϕ, ϕ, ϕ, ϕ, ϕ}

Find-S 涉及的步骤：

1. 从最具体的假设开始。
   h = {ϕ, ϕ, ϕ, ϕ, ϕ, ϕ}
2. 以下一个例子为例，如果它是否定的，那么假设不会发生任何变化。
3. 如果这个例子是正面的，并且我们发现我们的初始假设过于具体，那么我们将当前的假设更新为一般条件。
4. 不断重复上述步骤，直到所有的训练样例都完成。
5. 在我们完成所有训练示例后，我们将获得最终假设，何时可以用于对新示例进行分类。

例子 ：

考虑以下数据集，其中包含有关哪些特定种子有毒的数据。

首先，我们认为这个假设是一个更具体的假设。因此，我们的假设是：
h = {ϕ, ϕ, ϕ, ϕ, ϕ, ϕ}

考虑示例 1：

示例 1 中的数据为 { GREEN, HARD, NO, WRINKLED }。我们看到我们的初始假设更具体，我们必须在这个例子中推广它。因此，假设变为：
h = { 绿色，坚硬，不，有皱纹 }

考虑示例 2：
在这里我们看到这个例子有一个负面的结果。因此我们忽略了这个例子，我们的假设保持不变。
h = { 绿色，坚硬，不，有皱纹 }

考虑示例 3：
在这里我们看到这个例子有一个负面的结果。因此我们忽略了这个例子，我们的假设保持不变。
h = { 绿色，坚硬，不，有皱纹 }

考虑示例 4：
示例 4 中的数据为 { ORANGE, HARD, NO, WRINKLED }。我们将每个属性与初始数据进行比较，如果发现任何不匹配，我们将用一般情况（“？”）替换该特定属性。完成该过程后，假设变为：
h = { ?, HARD, NO, WRINKLED }

考虑示例 5：
示例 5 中的数据是 { GREEN, SOFT, YES, SMOOTH }。我们将每个属性与初始数据进行比较，如果发现任何不匹配，我们将用一般情况（“？”）替换该特定属性。完成该过程后，假设变为：
h = { ?, ?, ?, ? }
由于我们已经达到假设中的所有属性都具有一般条件的程度，因此示例 6 和示例 7 将导致具有所有一般属性的相同假设。
h = { ?, ?, ?, ? }

因此，对于给定的数据，最终假设将是：
最终假设：h = { ?, ?, ?, ? }

算法 ：

1. Initialize h to the most specific hypothesis in H
2. For each positive training instance x
    For each attribute constraint a, in h
        If the constraint a, is satisfied by x
        Then do nothing
        Else replace a, in h by the next more general constraint that is satisfied by x
3. Output hypothesis h