人工智能原理

第七章其它学习方法

　　7.4 观察与发现学习

　　观察与发现学习(Learning　from Observation and Discovery)属于归纳学习。实例学习也是归纳学习。但是实例学习是由正反例学习，这些正反例都是由施教者给出分类的例子。所以实例学习是有示教的归纳学习。观察与发现学习是由环境提供的观察来学习。这些观察是未经施教者分类的例子。施教者只提供给系统少量初始知识。所以观察与发现学习是无示教的归纳学习。
　　观察与发现学习可以按照与外部环境互作用的程度划分为两类。一类是被动观察，学习者被动接受各种观察并给出分类。另一类是主动试验。学习者给环境以扰动并观察扰动的后果。试验可能是随机的，是按一般准则安排的，也可能是由理论指导的。在系统假设某个理论时，它必须验证或否认这个理论。因此需要主动选择观察和试验。这种学习过程包括产生例子、测试假设和获取概念。

　　7.4.1 概念聚类
　　概念聚类就是一种观察学习；人类观察周围的事物，对比各种物体的特性，把它们划分成动物、植物和非生物，并给出每一类的定义。这种把观察的事物划分成几类并建立相应概念的过程就是概念聚类。
　　传统的聚类分析方法是基于对象相似性的数值测度。这种测度没有考虑到综合特征或描述类型的概念。因此得到的分类缺乏概念描述，并且难以解释。为解决这个问题，产生了概念聚类方法。下面介绍合取概念聚类。这种概念的描述都是对象特征和关系的合取(与)。这种方法把对象划分到由合取式描述的几个类型。合取概念聚类程序CLUSTER／2(Michalski和Stepp，1981)可以构造西班牙民歌的分类体系。
　　合取概念聚类问题定义为：
　　给定
　　(1)对象的集合(实际的或抽象的)；
　　(2)描述对象的特征的集合；
　　(3)背景知识(包括问题约束、特征的性质和评价分类质量的准则)。
　　寻找
　　对象的分类体系。每一类由一个合取式描述。任一父类型的各个子类型的描述应是逻辑上不相交的。分类体系应使聚类质量准则最优(分类体系是一个概念的网络。网络的节点是描述类型的概念，网络的链表示类型间的关系。)
　　下面介绍CLUSTER/2的原理。基本符号和操作如图7.4所示。
　　1.概念内聚
　　传统的聚类分析中，两个对象间的相似性用一个数量描述。这个数量只取决于两个对象的特性，与周围环境无关，因此是上下文无关的。另一类相似性描述同时还考虑邻近的对象的特性，这种描述就比较完善了。但是这类描述还没有考虑聚类概念的整体特性。例如图 7.5中点的聚类问题。人们往往认为图中的点排成两个正方形。虽然点A和B相距最近，但分在不同的类中。因为人们不是按距离分类，而是按概念的成员分类。