表10-2 Learn-One-Rule的一种实现:一般到特殊柱状搜索 Learn-One-Rule(Target attribute, Attributes, Examples, k 初始化 Best hypothesis为最一般的假设φ 初始化 Candidate hypotheses为集合{ Best hypothesis} 当 Candidate hypotheses不空,做以下操作 生成下一个更特殊的候选假设 All constraints←-所有形式为av)的约束集合,其中,a为 Attributes的成员,v为出现 在当前 Examples集合中的a的值 New candidate hypotheses 对 Candidate hypotheses中每个h,循环 对AⅡ constraints中每个c,循环 通过加入约束c创建一个h的特化式 New candidate hypotheses中移去任意重复的、不一致的或非极大特殊化的假设 更新 Best hypothesis 对 New candidate hypotheses中所有h做以下操作 如果 Performance(h, Examples, Target attribute Performance( Best hypothesis, Examples, Target attri bute) 则 Best hypo 更新 Candidate hypotheses Candidate hypotheses← Candidate hypotheses中k个 Performance最佳成员 返回如下形式的一个规则 “如果 Best hypothesis”,则 prediction 其中, prediction为在与 Best hypothesis匹配的 Examples中最频繁的 200312argeψe軍习规则集合作者: Mitchell译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-学习规则集合作者：Mitchell 译者：曾华军等讲者：陶晓鹏 11 表10-2 Learn-One-Rule的一种实现：一般到特殊柱状搜索 Learn-One-Rule(Target_attribute, Attributes, Examples, k) • 初始化Best_hypothesis为最一般的假设 • 初始化Candidate_hypotheses为集合{Best_hypothesis} • 当Candidate_hypotheses不空，做以下操作 – 生成下一个更特殊的候选假设 • All_constraints所有形式为(a=v)的约束集合，其中，a为Attributes的成员，v为出现 在当前Examples集合中的a的值 • New_candidate_hypotheses – 对Candidate_hypotheses中每个h，循环 » 对All_constraints中每个c，循环 通过加入约束c创建一个h的特化式 • New_candidate_hypotheses中移去任意重复的、不一致的或非极大特殊化的假设 – 更新Best_hypothesis • 对New_candidate_hypotheses中所有h做以下操作 – 如果 Performance(h,Examples,Target_attribute)>Performance(Best_hypothesis,Examples,Target_attri bute) 则Best_hypothesish – 更新Candidate_hypotheses • Candidate_hypothesesCandidate_hypotheses中k个Performance最佳成员 • 返回如下形式的一个规则 – “如果Best_hypothesis”，则prediction – 其中，prediction为在与Best_hypothesis匹配的Examples中最频繁的 Target_attribute值