בינה מלאכותית

ספר אלקטרוני מאת: ניר אדר

7.1. בעית הלמידה

נתונה קבוצת דוגמאות מסומנות מתוך קבוצת המטרה $plot:\[E = \left\{ {\left\langle {{x_1},{f_c}\left( {{x_1}} \right)} \right\rangle ,...,\left\langle {{x_m},{f_c}\left( {{x_m}} \right)} \right\rangle } \right\}\]$ .

אלגוריתם ללמידת מסווגים מקבלת כקלט קבוצת דוגמאות מסומנות $plot:\[E\]$ ומוציא כפלט מסווג.

אם $plot:\[E\]$ מכיל את כל האובייקטים ב- $plot:\[X\]$ אזי ניתן פשוט לשמור אותם בטבלה. מכיוון שבד"כ נתונה תת קבוצה של $plot:\[X\]$ צריך אלגוריתם הלמידה להכליל: להסיק מתוך דוגמאות שראה לגבי דוגמאות שהוא לא ראה. כדי שיהיה ניתן להכליל מגדירים קבוצות תכונות: אוסף של פונקציות הממפות איברים ב- $plot:\[X\]$ לתחום סופי. דוגמאות הלמידה הינן זוגות $plot:\[\left\langle {{x_i},{f_c}\left( {{x_i}} \right)} \right\rangle \]$ כאשר $plot:\[{x_i}\]$ מיוצג על ידי ווקטור של ערכי התכונות.

נכנה דוגמאות בשם דוגמאות חיוביות אם הן שייכות לקבוצת המטרה. נכנה דוגמאות בשם דוגמאות שליליות אם הן אינן שייכות לקבוצת המטרה.

בהינתן קבוצת דוגמאות, נוכל לבנות בעזרתן עץ החלטה. עץ החלטה נבנה על פי הרעיון הבא:

כל צומת (כולל השורש) מייצגת תכונה. מהצומת יוצאות קשתות לפי מספר הערכים האפשריים לתכונה. אנו מתחילים עם קבוצת כל הדוגמאות ומתפצלים לפי התכונות. עוצרים את הבניה כאשר כל הדוגמאות תחת ענף מסוים שייכות לקבוצת המטרה או שכל הדוגמאות אינן שייכות לקבוצת המטרה.