3、机器学习基础：简单任务与贝叶斯分类器

机器学习基础：简单任务与贝叶斯分类器

1. 简单的机器学习任务

1.1 机器学习任务概述

在机器学习中，我们使用训练示例来诱导分类器，然后使用该分类器对未来的示例进行分类。将机器学习任务视为搜索的想法在 20 世纪 80 年代和 90 年代很流行。Mitchell 常被认为是第一个推广基于搜索方法的人，而 Michalski 提出的 AQ 算法家族也同样具有影响力。

1.2 巩固知识

为了巩固所学知识，我们可以通过练习、思考实验和计算机作业来加深理解。

1.2.1 练习

1. 在滑动拼图游戏中，建议一个比文中使用的更好的评估函数。
2. 对于给定的搜索树（如图 1.8），确定爬山搜索访问这些状态的顺序。
3. 假设在“馅饼”领域的评估函数计算正确分类的训练示例的百分比。设初始状态是描述表 1.1 中第二个正例的表达式，手动模拟使用泛化和特化运算符的爬山搜索。
4. 计算一个由十个布尔属性描述示例的领域中实例空间的大小，以及分类器空间的大小。

1.2.2 思考实验

1. 在“馅饼”领域，如果仅允许使用属性 - 值对的合取形式的分类器，搜索空间会缩小多少？
2. 思考“馅饼”领域中可能存在的噪声类型、噪声来源以及导致训练集不完美的其他问题。
3. 举例说明哪些领域中黑盒分类器不实用，哪些领域中这种限制无关紧要。
4. 选择一个难以描述的类别，如复杂生物对象的识别或音乐流派的识别，列出描述训练示例的属性列表，评估这些属性值是否容易获取，