简介 前面章节讨论的各种归纳法,决策树、神经网络、归 纳逻辑编程、遗传算法,在实践中的一个关键限制是: 在可用数据不足时性能较差,正如第7章分析,给定数 目的训练样例,学习的精度存在基本的上下界 我们希望开发出这样的学习方法:它们训练精度上的 基本限制不受可用训练数据的数量所制约 基于解释的学习 使用先验知识来分析或解释每个训练样例,以推理出样例的 哪些特征与目标函数相关,哪些不相关 减小了待搜索假设空间的复杂度,减小了样本复杂度,提高 了学习器的泛化精度 203.12.18机器学习-分析学习作者: Mitchel译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-分析学习作者：Mitchell 译者：曾华军等讲者：陶晓鹏 3 简介 • 前面章节讨论的各种归纳法，决策树、神经网络、归 纳逻辑编程、遗传算法，在实践中的一个关键限制是： 在可用数据不足时性能较差，正如第7章分析，给定数 目的训练样例，学习的精度存在基本的上下界 • 我们希望开发出这样的学习方法：它们训练精度上的 基本限制不受可用训练数据的数量所制约 • 基于解释的学习： – 使用先验知识来分析或解释每个训练样例，以推理出样例的 哪些特征与目标函数相关，哪些不相关 – 减小了待搜索假设空间的复杂度，减小了样本复杂度，提高 了学习器的泛化精度