Database Reference
In-Depth Information
dist
H
(
x
,
y
)
n
sim
H
(
x
,
y
)=1
−
i=1
|
x
i
−
y
i
|
=1
−
(6.2)
n
Beispiel 6.11 (Kino 1)
Das Kino-Beispiel aus dem Kapitel “Maschinelles Ler-
nen” (s. Abschnitt 5.3) lasst sich auch fallbasiert behandeln: Jeder Kinobesuch
entspricht einem Fall, der durch die Attribute
Attraktivitat, Preis, Loge, Wetter,
Warten, Besetzung, Kategorie, Reservierung, Land
und
Gruppe
beschrieben bzw.
indiziert ist. Die
Losung
besteht aus der Antwort auf die Frage, ob man sich den
entsprechenden Film ansehen soll oder nicht.
Um der Bedingung der Zweiwertigkeit zu genugen, mussen einige der Attri-
butwerte vergrobert werden; bei anderen geben wir explizit die binare Codierung
an:
Attraktivitat
hoch (1), gering/mittel (0)
Wetter
gut (1), schlecht (0)
Kategorie
Action/Komodie (1), Drama/Science Fiction (0)
Land
national (1), international (0)
2 Leute (0)
Fur die ubrigen Merkmale behalten wir das ubliche
Ja
=1/
Nein
=0-Schema bei.
Entsprechend modifiziert konnten sich die 15 Falle
x
1
,...,
x
15
Gruppe
≥
3 Leute (1),
≤
aus Abbildung 5.3
in Kapitel 5.3 folgendermaßen prasentieren:
Attribute
Kino-
besuch?
Fal l
Attr. Preis Loge Wetter Warten Bes. Kat. Land Res. Gruppe
x
1
1
0
1
0
1
1
1
0
1
1
ja
x
2
0
1
1
0
0
0
1
0
0
0
ja
x
3
0
1
0
0
1
0
0
0
0
1
nein
x
4
0
1
1
0
1
0
0
0
0
0
nein
x
5
0
1
1
0
0
0
0
0
0
0
ja
x
6
1
0
1
1
0
1
0
0
1
1
ja
x
7
0
1
1
0
0
0
1
1
0
1
ja
x
8
0
1
0
0
1
0
1
0
0
1
ja
x
9
0
1
1
1
0
0
1
1
0
1
nein
x
10
0
1
1
1
0
0
1
0
0
0
nein
x
11
1
1
1
0
1
1
0
0
0
0
ja
x
12
0
1
0
0
1
0
1
1
0
0
nein
x
13
1
0
1
0
1
0
0
0
0
0
nein
x
14
0
1
1
1
1
1
0
0
1
1
nein
x
15
0
1
1
0
0
0
1
0
0
0
ja
Ein neuer Fall
y
habe die folgenden Attributwerte:
Fal l Attr. Preis Loge Wetter Warten Bes. Kat. Land Res. Gruppe Kino?
y
0
0
0
1
1
1
1
0
0
0
???