人工智慧--chap18

《人工智慧--chap18》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、1人工智慧導論高宗萬北台灣科學技術學院電子工程系第18章從觀察中學習18.1學習的形式18.2歸納學習法18.3學習決策樹18.4集體學習18.5為何學習可行：計算學習理論18.6小結218.1學習的形式一個具有學習特性的代理人，在概念上可分解為如圖2.15所示的四項元件。其中最重要的是區分負責改善內部效能的學習單元，和負責選擇外在行動的執行單元。之前被當成是完整代理人的部份即是一個執行單元；它能取得認知並決定行動。34學習單元的設計受到3個主要關鍵問題的影響：執行單元的哪一個元件(components)需要學習

2、。學習這些元件能得到哪些回饋(feedback)。這些元件的表示方法為何?5代理人的組成元件一個從目前狀態的條件到行動的直接對應。一種從感知序列中推斷世界相關屬性的方法。世界發展方式，以及代理人可能採取的行動而導致的結果之資訊。作這些行動的渴望程度之效用(utility)資訊。作這些行動的渴望程度之行為-價值(action-value)資訊。目標(goal)是描述一群狀態的類別使得代理人能達到最大效用。6機器學習類型受監督的學習(supervisedlearning)無監督的學習(unsupervisedlear

3、ning)增強學習(reinforcementlearning)7元件的表示方法這些元件中的任何一種都可以用本書介紹的表示法表示。已有許多個例子：決定性敘述法，例如競局程式中效能函數的線性加權多項式，和邏輯代理人各元件的比例項（proportional）與一階邏輯敘述；以及機率描述，例如用於決策理論代理人推論元件的信念網路。818.2歸納學習法在控制學習之中，學習單元被給定對應於特定輸入的函數正確（或幾近正確）值，並嘗試改變函數的表示法以符合回饋所提供的資訊。更正式的說法為，一個實例(example)是一組（x,

4、f(x)），其中x是輸入，而f(x)是套用x時該函數的輸出。91011神學家WilliamofOccam所提的一個原則:“Entitiesshouldnotbemultipliedbeyondnecessity.”(若要說明某件事件，在必要以上多餘的假設都是多餘的)即「存在物不應被增加到超過必要程度」，或者比較白話文的，「解釋越簡單越好」。故如果有一樣東西無法證明其存在﹐而且當我們假設其存在之後並不會使我對未知事物的解釋更充分﹐那麼我們就先假設其不存在。奧坎剃刀（Ockham'sRazor）18.3學習決策樹決策

5、樹歸納法是最簡單，也是最成功的學習演算法形式之一。不僅是進入歸納式學習法領域一項很好的介紹，同時也易於實行。本節首先談論執行單元，然後說明如何學習它。12以決策樹作為執行單元一個決策樹的輸入是一個由屬性的集合所描述的物件或狀態，輸出則是一個”是”或”不是”的決策。因此決策樹是一個布林函數。雖然決策樹也可以描述輸出範圍較大的函數，但為了簡化，通常只注意布林的狀況。13實例:判斷是否要在餐廳等座位(WillWait)Alternate(改變):附近是否有其他餐廳?Bar(酒吧):餐廳中供顧客等候的酒吧區是否舒適?Fr

6、i/Sat(週五週六):Hungry(饑餓):Patrons(顧客):沒人:None、一些:Some、客滿:FullPrice(價格):($,$$,$$$)Raining(下雨):Reservation(預約):Type(類型):法式:French、義式:Italian、泰式:Thai、漢堡店:BurgerWaitEstimate(估計等候時間):0~10,10~30,30~60,>6014以決策樹作為執行單元15決策樹的表示法若決策樹對應於關聯敘述句的集合，一個基本的問題是：決策樹能否表現任何集合。答案是否，因

7、為決策樹隱然受到無法敘述單一物件的限制。也就是說，決策樹的語言基本上是命題式的，其中每個屬性的測試都是一個命題。我們無法使用決策樹表達用到兩個以上不同物件的測試，例如，r2Nearby(r2,r)Price(r,p)Price(r2,p2)Cheaper(p2,p)(附近是否有其他更便宜的餐廳?)16由實例歸納決策樹實例(example)是由屬性的值和目的述詞所描述。目的述詞的值被稱為該實例的類別(classification)。若目的述詞對某些實例成立，則稱這是一個正實例(positive)；否則稱為負

8、實例(negative)。圖18.3展示一個餐廳領域的實例集合X1,…,X12。正實例是目的WillWait的值(X1,X3,…)為真，而負實例則是(X2,X5,…)為偽。完整的實例集合被稱為訓練集合（trainingset）。17找尋一個與訓練集合一致的決策樹似乎有點困難，實際上卻存在一個簡單解。可以單純地建立一棵決策樹，對於每個實例都有一條到達葉節點的路徑與之對應，該