79、学习中的知识与解释型学习方法

学习中的知识与解释型学习方法

在机器学习领域，不同的学习方法有着各自的特点和局限性。版本空间方法是一种较为基础的学习方式，但它存在一些明显的缺点。

版本空间方法的局限性

版本空间方法主要有两个显著的缺点：
- 噪声和属性不足问题 ：如果领域中存在噪声或者用于精确分类的属性不足，版本空间将会崩溃。
- 假设空间的析取问题 ：若允许假设空间中存在无限制的析取，S - 集将始终包含一个最具体的假设，即到目前为止所看到的正例描述的析取；同样，G - 集将只包含负例描述析取的否定。
- 元素数量增长问题 ：对于某些假设空间，S - 集或 G - 集中的元素数量可能会随着属性数量呈指数级增长，尽管这些假设空间存在高效的学习算法。

目前，对于噪声问题尚未找到完全成功的解决方案。而对于析取问题，可以通过只允许有限形式的析取或者引入更通用谓词的泛化层次结构来解决。例如，不使用析取式 WaitEstimate(x,30 - 60) ∨ WaitEstimate(x,>60) ，而是使用单个文字 LongWait(x) 。泛化和特化操作集可以很容易地扩展以处理这种情况。

版本空间算法曾在一些系统中得到应用，如 Meta - DENDRAL 系统，它被设计用于学习预测分子在质谱仪中如何分裂的规则，还能生成足以在分析化学期刊上发表的新颖规则；LEX 系统也使用了该算法，它能够通过研究自身的成功和失败来学习解决符号积分问题。不过，由于噪声的存在，版本空间方法在大多数现实世界的学习问