Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Tuy nhiên, tập P thường nhỏ (và hữu hạn) so với tập tất cả các trường hợp cần quan tâm P’ (P Ì P’). Mục tiêu của chúng ta là xây dựng ánh xạ f ’ sao cho có thể ứng mọi trường hợp p’ trong tập P’ với một "lớp" r trong tập R. Hơn nữa, f ’ phải bảo toàn f, nghĩa là : Với mọi p Î P thì f(p) º f ’(p) | Tuy nhiên tập P thường nhỏ và hữu hạn so với tập tất cả các trường hợp cần quan tâm P P Ì P . Mục tiêu của chúng ta là xây dựng ánh xạ f sao cho có thể ứng mọi trường hợp p trong tập P với một lớp r trong tập R. Hơn nữa f phải bảo toàn f nghĩa là Với mọi p Î P thì f p f p Hình 3.1 Học theo trường hợp là tìm cách xây dựng ánh xạ f dựa theo ánh xạ f. f được gọi là tập mẫu. Phương pháp học theo trường hợp là một phương pháp phổ biến trong cả nghiên cứu khoa học và mê tín dị đoan. Cả hai đều dựa trên các dữ liệu quan sát thống kê để từ đó rút ra các quy luật. Tuy nhiên khác với khoa học mê tín dị đoan thường dựa trên tập mẫu không đặc trưng cục bộ thiếu cơ sở khoa học. II. HỌC BẰNG CÁCH XÂY DựNG CÂY ĐỊNH DANH Phát biểu hình thức có thể khó hình dung. Để cụ thể hợn ta hãy cùng nhau quan sát một ví dụ cụ. Nhiệm vụ của chúng ta trong ví dụ này là xây dựng các quy luật để có thể kết luận một người như thế nào khi đi tắm biển thì bị cháy nắng. Ta gọi tính chất cháy nắng hay không cháy nắng là thuộc tính quan tâm thuộc tính mục tiêu . Như vậy trong trường hợp này tập R của chúng ta chỉ gồm có hai phần tử cháy nắng bình thường . Còn tập P là tất cả những người được liệt kê trong bảng dưới 8 người Chúng ta quan sát hiện tượng cháy nắng dựa trên 4 thuộc tính sau chiều cao cao trung bình thấp màu tóc vàng nâu đỏ cân nặng nhẹ TB nặng dùng kem có không . Ta gọi các thuộc tính này gọi là thuộc tính dẫn xuất. Dĩ nhiên là trong thực tế để có thể đưa ra được một kết luận như vậy chúng ta cần nhiều dữ liệu hơn và đồng thời cũng cần nhiều thuộc tính dẫn xuất trên. Ví dụ đơn giản này chỉ nhằm để minh họa ý tưởng của thuật toán máy học mà chúng ta sắp trình bày. Tên Tóc Ch.Cao Cân Nặng Dùng kem Kết quả Sarah Vàng T.Bình Nhẹ Không Cháy Dana Vàng Cao T.Bình Có Không Alex Nâu Thấp T.Bình Có Không Annie Vàng Thấp T.Bình Không Cháy Emilie Đỏ T.Bình Nặng Không Cháy Peter Nâu Cao Nặng Không Không John Nâu T.Bình N ặng Không Không Kartie Vàng Thấp Nhẹ Có Không Ý tưởng đầu tiên của phương pháp này
