《机器学习》第2章中find-s算法的python实现
2014-03-01 10:24
776 查看
开坑记录《机器学习》学习过程中的一些小程序、思路等。
FIND-S,即寻找极大特殊假设。第2章中关于FIND-S的算法伪码如下:
表2-3 FIND-S算法
1. 将h初始化为H中最特殊假设
2. 对每个正例x
·对h的每个属性约束a[i]
如果x满足a[i]
那么不做任何处理
否则将h中a[i]替换为x满足的另一个更一般约束
3. 输出假设h
具体实现的数据结构及一些细节如下:
一、假设:
H = {}
举例来说,对于Sky属性,有H['Sky']=[num,{value_list}]
其中num为满足约束的属性的数目,value_list为出现过的属性值的列表。由此可见,本实现并非严格意义上的FIND-S,实现方法更类似于列表后消除算法。这对于处理很大的假设空间是不现实的。稍后我将重新实现一个严格意义上的FIND-S算法。
二、输入数据文件格式说明
width=N表示属性的个数,包括正例或反例标志在内;
title行表示属性名,属性名之间用","隔开;
接下来是样例数据,每条数据一行,用","隔开各属性的值。
另外对输入数据的合法性未作严格检测。
三、一般性
FIND-S算法实现的核心为样例及假设的一般性比较,此处简单地使用形如if d[key] not in H[key][1]的方式来判断当前样例属性的值是否已经在假设的属性列表中。
实现的目标代码见下面的地址,已使用py2exe转换成可执行文件。
http://www.rayfile.com/zh-cn/files/85098757-a103-11e3-a9af-0015c55db73d/
追加标准FIND-S算法实现:http://download.csdn.net/detail/u013754134/6978937
修改了假设的数据结构如下:
假设:
H = {}
用字典的好处是查找便利,缺点是属性的输出顺序不好确定,需要做一些额外的工作。
同样,对于Sky属性,有H['Sky']='Sunny';属性为空集时,H['Sky']='';同样,有H['Sky']='?',在确定一般性时作简单比较即可。
FIND-S,即寻找极大特殊假设。第2章中关于FIND-S的算法伪码如下:
表2-3 FIND-S算法
1. 将h初始化为H中最特殊假设
2. 对每个正例x
·对h的每个属性约束a[i]
如果x满足a[i]
那么不做任何处理
否则将h中a[i]替换为x满足的另一个更一般约束
3. 输出假设h
具体实现的数据结构及一些细节如下:
一、假设:
H = {}
举例来说,对于Sky属性,有H['Sky']=[num,{value_list}]
其中num为满足约束的属性的数目,value_list为出现过的属性值的列表。由此可见,本实现并非严格意义上的FIND-S,实现方法更类似于列表后消除算法。这对于处理很大的假设空间是不现实的。稍后我将重新实现一个严格意义上的FIND-S算法。
二、输入数据文件格式说明
width=N表示属性的个数,包括正例或反例标志在内;
title行表示属性名,属性名之间用","隔开;
接下来是样例数据,每条数据一行,用","隔开各属性的值。
另外对输入数据的合法性未作严格检测。
三、一般性
FIND-S算法实现的核心为样例及假设的一般性比较,此处简单地使用形如if d[key] not in H[key][1]的方式来判断当前样例属性的值是否已经在假设的属性列表中。
实现的目标代码见下面的地址,已使用py2exe转换成可执行文件。
http://www.rayfile.com/zh-cn/files/85098757-a103-11e3-a9af-0015c55db73d/
追加标准FIND-S算法实现:http://download.csdn.net/detail/u013754134/6978937
修改了假设的数据结构如下:
假设:
H = {}
用字典的好处是查找便利,缺点是属性的输出顺序不好确定,需要做一些额外的工作。
同样,对于Sky属性,有H['Sky']='Sunny';属性为空集时,H['Sky']='';同样,有H['Sky']='?',在确定一般性时作简单比较即可。
相关文章推荐
- 《机器学习》第2章中候选消除(CANDIDATE-ELIMINATION)算法的python实现随笔
- Python数据分析与机器学习-Python实现逻辑回归与梯度下降策略
- 【机器学习入门二】集成学习及AdaBoost算法的python实现
- 机器学习实战笔记(Python实现)-02-k近邻算法(kNN)
- leetcode 【 Find Minimum in Rotated Sorted Array 】python 实现
- 机器学习:支持向量机(SVM)与Python实现第(一)篇
- 【机器学习】K-近邻算法的Python实现
- 机器学习实战笔记(Python实现)-02-k近邻算法(kNN)
- 机器学习---Logistic回归数学推导以及python实现
- 【机器学习】决策树-ID3算法的Python实现
- 机器学习各种相似性度量及Python实现
- [置顶] 【算法 机器学习】MATLAB、R、python三种编程语言实现简单线性回归算法比较
- 机器学习:对于反向传播算法(backpropagation)的理解以及python代码实现
- Andrew Ng 机器学习——Logistic Regression及其python实现
- 机器学习与神经网络(三):自适应线性神经元的介绍和Python代码实现
- 机器学习:Python实现单层Rosenblatt感知器
- 【机器学习】高斯混合聚类python实现
- Knn算法(机器学习)入门(Python实现)
- 纯python实现机器学习之kNN算法示例
- 机器学习:决策树python实现