符号学习:让系统自我进化
1. 符号学习的背景
在许多应用中,知识的获取和表达是至关重要的。假设知识本身是容易获得并且可以明确表达的,但在现实中,从领域专家那里获取知识或描述特定领域的规则可能不为人知或无法明确表达。为了解决这些问题,我们需要让系统从一组示例解决方案中自行学习。本文将详细介绍符号学习及其主要方法。
符号学习和数值学习是两种主要的学习方法。符号学习涉及制定和修改明确用文字和符号表达的规则、事实和关系,而数值学习则指的是使用数值模型,特别是优化数值参数的技术,如人工神经网络和遗传算法。
2. 归纳学习
归纳学习是一种从具体示例中生成一般规则的方法。系统通过一系列示例数据生成一般规则。规则归纳涉及从特定示例生成一般规则的类型:
如果 <一般情况> ,那么 <一般结论>
由于归纳是基于试错法的,因此可以认为归纳是一种经验方法。我们永远无法确定归纳出的规则的准确性,因为我们尚未遇到的示例可能会证明它是无效的。归纳的目标是构建尽可能经常成功的规则,并在发现它们错误时迅速修改它们。
2.1 概括和特化技巧
系统不断精细化其规则和关系,以便正确处理每个新的示例。概括和特化技巧是归纳学习中的两个重要方面:
- 概括 :将特定示例推广为更一般的形式。
- 特化 :将一般规则细化为更具体的规则。