当前位置：首页 > news >正文

3.5MachineLearing1Chapter

news 2024/11/14 11:18:10

通常认为两个数据的属性越相近，则更倾向于将他们分为同一类。若相同属性出现了两种不同的分类，则认为它属于与他最临近几个数据的属性。也可以考虑同时去掉所有具有相同属性而不同分类的数据，留下的数据就是没误差的数据，但是可能会丢失部分信息

1.在向搜索引擎提交信息的阶段，能够从提交文本中进行信息提取，进行语义分析。
2.在搜索引擎进行信息匹配的阶段，能够提高问题与各个信息的匹配程度。
3.在向用户展示搜索结果的阶段，能够根据用户对结果感兴趣的程度进行排序。

文档管理器：生成更精准的摘要。本质就是文档摘要的自动生成，涉及深度学习、神经网络、NLP
索引构建器：索引构建已很成熟，但我发现仍有学者将机器学习应用于这部分，主要是用机器学习算法代替标准哈希函数，但效果还不太好[3]。
索引管理器：暂无。
索引检索器：这里涉及查询与文本间的匹配，以及搜索结果的排序，也是直接面向用户的部分。
搜索引擎直接给出搜索的答案：这里用到神经网络，它可以通过分析大量数据从而完成特定的任务，如从相关网页中获取长句子和段落，然后提出有关问题答案的信息。
直接进行图片、视频（等多元数据）的搜索：图片的识别已经是常见的技术了，那直接从视频中提出信息呢？谷歌推出Video Intelligence API，不仅可以从视频中提取特定的信息，还能总结视频的脉络、记录视频中的场景，从而对视频进行准确的分类。
更精准的排序（也可成为「精准营销」的部分）：如使用神经网络、决策树等为基础的网页排序算法：RankNet, LambdaRank 和LambdaMART。2015年，谷歌推出RankBrain，它可以选择最适合当前搜索类型的结果，相当于为每个搜索都提供个性化的算法组合。
对用户行为进行综合分析（如历史搜索数据、点击模式、身份信息等进行结构化信息整合）：更多使用在电子商务的搜索系统中。这在电商网站中的使用，应该是很盛行的，但具体没有调研过。
对话式智能交互搜索：如Baidu的语音搜索、利用Siri进行搜索又或者是Google Assistant等。涉及自然语言处理、知识图谱及神经网络等内容。
对垃圾网站的筛选（模式识别）：这部分可以用Outlier的检测来实现，尤其对以前的标题党，或者以前针对算法进行SEO的网站进行甄别。
————————————————

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

原文链接：https://blog.csdn.net/weixin_43894455/article/details/126835511

版本空间是机器学习中的一个概念，它表示所有可能的假设（hypotheses）组成的空间。在某个特定的学习任务中，假设是对输入数据进行预测或分类的函数。版本空间包含了所有与训练数据一致的假设，即能够完全正确分类训练数据的假设。

版本空间的大小取决于所使用的假设空间的复杂度。一个复杂的假设空间会导致更大的版本空间，因为它包含了更多可能的假设。相反，一个简单的假设空间会导致更小的版本空间。

版本空间的概念与学习算法的目标相关。一些学习算法的目标是找到能够完全正确分类训练数据的唯一假设，这种情况下版本空间的大小为1。而其他学习算法可能允许版本空间包含多个假设，目标是找到最优的假设，即在测试数据上具有最好泛化性能的假设。

版本空间的概念在概率论和统计学中也有类似的概念，比如置信集合和置信区间，用于表示对参数或模型的不确定性范围。

学习过程：在所有假设组成的空间中进行搜索的过程，搜索目标是找到与训练集“匹配 fit”的假设，
假设空间：能将训练集中的样本判断为正确的假设的集合
版本空间 version space：一个与训练集一致的“假设集合”

①写出假设空间：先列出所有可能的样本点（即特征向量）（即每个属性都取到所有的属性值）

②对应着给出的已知数据集，将与正样本不一致的、与负样本一致的假设删除

当涉及到P和NP问题时，可以提供以下几个例子来说明不同类型的问题。

1. P问题的例子：
- 矩阵乘法：给定两个矩阵，求它们的乘积。这个问题可以在多项式时间内解决。

2. NP问题的例子：
- 旅行商问题（Traveling Salesman Problem）：给定一系列城市和它们之间的距离，找到访问每个城市一次且总距离最短的旅行路线。虽然验证一个给定的路线是否是最短路线可以在多项式时间内完成，但找到最短路线的解需要尝试所有可能的路线，需要指数级时间。
- SAT问题（Satisfiability Problem）：给定一个布尔表达式，判断是否存在一组布尔变量的赋值，使得该表达式为真。验证给定的赋值是否满足表达式可以在多项式时间内完成，但找到满足表达式的赋值需要穷举所有可能的赋值，需要指数级时间。

这些例子表明了P问题和NP问题之间的差异。P问题可以在多项式时间内解决，而NP问题只能在多项式时间内验证解。对于NP问题，尽管找到解可能很困难，但一旦有了解，可以在多项式时间内进行验证。