Maschinelles Lernen - Methoden Wissensbasierter Systeme - page 133

S 0 : {< ∅, ∅, ∅, ∅, ∅>}

{< ?, ?, ?, ?, ?>}

G 0 :

Abbildung 5.14 Begrenzungsmengen S und G nach der Initialisierung

S 0 : {< ∅, ∅, ∅, ∅, ∅>}

S 1 : {< Fußball, Mannschaft, draußen, national, Samstag>}

G 0 , G 1 : {< ?, ?, ?, ?, ?>}

Trainingsbeispiel:
X 1 = <Fußball, Mannschaft, draußen, national, Samstag> , Anschauen = +

Abbildung 5.15 Begrenzungsmengen S und G nach der Bearbeitung von X 1

G dual dazu G 0 (vgl. Abbildung 5.14). Diese beiden Begren-

zungsmengen umfassen den gesamten Versionenraum V ∅ = L C .
Wenn das erste Trainingsbeispiel X 1 bearbeitet wird, wird festgestellt, dass die
Hypothese in S 0 zu speziell ist, da X 1 nicht abgedeckt wird. Die (einzige) minimale
Verallgemeinerung der “leeren” Hypothese

= { }

?, ?, ?, ?, ?

∅ , ∅ , ∅ , ∅ , ∅ ,dieX 1 mit abdeckt, ist

die Hypothese

s 1 = Fußball, Mannschaft, draußen, national, Samstag

S muss daher so zu S 1 geandert werden, dass S 1 gerade die Hypothese s 1 enthalt.
G 0 muss aufgrund des Beispiels X 1 nicht geandert werden; es ist daher G 1 = G 0

(vgl. Abbildung 5.15).
Das zweite Trainingsbeispiel X 2 wird von der Hypothese s 1 in S 1 nicht mit

abgedeckt. s 1 ist daher zu speziell und wird zu

s 2 = ?, Mannschaft, draußen, national, Samstag