1、 第6章 机器学习与知识发现 6.1 机器学习概述 6.2 符号学习 6.3 神经网络学习 6.4 知识发现与数据挖掘 6.1 机器学习概述6.1.1 机器学习的概念 心理学中对学习的解释是：学习是指（人或动物）依靠经验的获得而使行为持久变化的过程。Simon认为：如果一个系统能够通过执行某种过程而改进它的性能，这就是学习。Minsky认为：学习是在人们头脑中（心理内部）进行有用的变化。Tom M.Mitchell在机器学习一书中对学习的定义是：对于某类任务T和性能度P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么，我们称这个计算机程序从经验E中学习。当前关于机器学习的许多
2、文献中也大都认为：学习是系统积累经验以改善其自身性能的过程。总之总之：学习与经验有关；学习可以改善系统性能；学习是一个有反馈的信息处理与控制过程。因为经验是在系统与环境的交互过程中产生的，而经验中应该包含系统输入、响应和效果等信息。因此经验的积累、性能的完善正是通过重复这一过程而实现的。6.1.2 机器学习的原理图 9-1 机器学习原理1图 9-2 机器学习原理2 图 9-3 机器学习原理3 图 9-4 机器学习原理4图 9-5 机器学习原理56.1.3 机器学习的分类 1.基于学习策略的分类基于学习策略的分类 （1）模拟人脑的机器学习符号学习符号学习：模拟人脑的宏观心理级学习过程，以认知心理
3、学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。符号学习的典型方法有：记忆学习、示例学习、演绎学习、类比学习、解释学习等。神经网络学习（或连接学习神经网络学习（或连接学习）：模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。典型的连接学习有权值修正学习、拓扑结构学习。（2）直接采用数学方法的机器学习 主要有统计机器学习。2.基于学习方法的分类基于学习方法的分类 （1）归纳学习 符号归纳学习：典型的符号归纳学习有示例
4、学习，决策树学习。函数归纳学习（发现学习）：典型的函数归纳学习有神经网络学习、示例学习，发现学习，统计学习。（2）演绎学习 （3）类比学习：典型的类比学习有案例（范例）学习。（4）分析学习：典型的分析学习有案例（范例）学习、解释学习。3.基于学习方式的分类基于学习方式的分类（1）有导师学习（监督学习）：有导师学习（监督学习）：输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。（2）无导师学习（非监督学习）：无导师学习（非监督学习）：输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。（3）强化学
5、习（增强学习）：强化学习（增强学习）：以环境反馈（奖/惩信号）作为输入，以统计和动态规划技术为指导的一种学习方法。4.基于数据形式的分类基于数据形式的分类（1）结构化学习结构化学习：以结构化数据为输入，以数值计算或符号推演为方法。典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。（2）非结构化学习非结构化学习：以非结构化数据为输入，典型的非结构化学习有类比学习、案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等。5.基于学习目标的分类基于学习目标的分类 （1）概念学习概念学习：即学习的目标和结果为概念，或者说是为了获得概念的一种学习。典型的概念学习有示例学习。（2）规则学习规则
6、学习：即学习的目标和结果为规则，或者说是为了获得规则的一种学习。典型的规则学习有决策树学习。（3）函数学习函数学习：即学习的目标和结果为规则，或者说是为了获得函数的一种学习。典型的函数学习有神经网络学习。（4）类别学习类别学习：即学习的目标和结果为对象类，或者说是为了获得类别的一种学习。典型的类别学习有聚类分析。（5）贝叶斯网络学习贝叶斯网络学习：即学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。其又可分为结构学习和参数学习。6.2 符号学习6.2.1 记忆学习 记忆学习方法简单,但学习系统需要几种能力：(1)能实现有组织的存储信息。(2)能进行信息综合。(3)能控制检索方
7、向。当存储对象愈多时,其中可能有多个对象与给定的6.2.2 示例学习 示例学习也称实例学习,它是一种归纳学习。示例学习是从若干实例(包括正例和反例)中归纳出一般概念或规则的学习方法。图 9-6 第一个拱桥的语义网络图 9-7 第二个拱桥的语义网络图 9-8 学习程序归纳出的语义网络图 9-9 拱桥概念的语义网络 例 9.1 假设示例空间中有桥牌中同花概念的两个示例:示例1：花色(c1，梅花)花色(c2，梅花)花色(c3，梅花)花色(c4，梅花)同花(c1，c2，c3，c4)示例2：花色(c1，红桃)花色(c2，红桃)花色(c3，红桃)花色(c4，红桃)同花(c1，c2，c3，c4)关于同花的一
8、般性规则:花色(c1，x)花色(c2，x)花色(c3，x)花色(c4，x)同花(c1，c2，c3，c4)6.2.3 决策树学习 1什么是决策树什么是决策树 决策树(decision tree)也称判定树，它是由对象的若干属性、属性值和有关决策组成的一棵树。其中的节点为属性（一般为语言变量），分枝为相应的属性值（一般为语言值）。从同一节点出发的各个分枝之间是逻辑“或”关系；根节点为对象的某一个属性；从根节点到每一个叶子节点的所有节点和边，按顺序串连成一条分枝路径，位于同一条分枝路径上的各个“属性-值”对之间是逻辑“与”关系，叶子节点为这个与关系的对应结果，即决策。决策树示意图 例例9.3 下下图
9、所示是机场指挥台关于飞机起飞的简单决策树。例例9.4 下图是一个描述“兔子”概念的决策树。2.怎样学习决策树怎样学习决策树 决策树学习的基本方法和步骤：首先，选取一个属性，按这个属性的不同取值对实例集进行分类；并以该属性作为根节点，以这个属性的诸取值作为根节点的分枝，进行画树。然后，考察所得的每一个子类，看其中的实例的结论是否完全相同。如果完全相同，则以这个相同的结论作为相应分枝路径末端的叶子节点；否则，选取一个非父节点的属性，按这个属性的不同取值对该子集进行分类，并以该属性作为节点，以这个属性的诸取值作为节点的分枝，继续进行画树。如此继续，直到所分的子集全都满足：实例结论完全相同，而得到所有
10、的叶子节点为止。决策树学习举例决策树学习举例 设表9.1 所示的是某保险公司的汽车驾驶保险类别划分的部分事例。我们将这张表作为一个实例集，用决策树学习来归纳该保险公司的汽车驾驶保险类别划分规则。表表9.1 汽车驾驶保险类别划分实例集汽车驾驶保险类别划分实例集 将实例集简记为S=(1,C),(2,C),(3,C),(4,B),(5,A),(6,A),(7,C),(8,B),(9,A),(10,A),(11,B),(12,B)其中每个元组表示一个实例，前面的数字为实例序号，后面的字母为实例的决策项保险类别。用 “小”、“中”、“大”分别代表 “21”、“21且25”、“25”这三个年龄段。对于S，
11、我们按属性“性别”的不同取值将其分类。由表9.1 可见，这时S应被分类为两个子集：S1=(3,C),(4,B),(7,C),(8,B),(11,B),(12,B)S2=(1,C),(2,C),(5,A),(6,A),(9,A),(10,A)于是，我们得到以性别作为根节点的部分决策树（见下图）。决策树生成过程 决策树生成过程 决策树生成过程 最后生成的 决策树 由决策树所得的规则集由决策树所得的规则集：女性且年龄在25岁以上，则给予A类保险；女性且年龄在21岁到25岁之间，则给予A类保险；女性且年龄在21岁以下，则给予C类保险；男性且年龄在25岁以上，则给予B类保险；男性且年龄在21岁到25岁之
12、间且未婚，则给予C类保险；男性且年龄在21岁到25岁之间且已婚，则给予B类保险；男性且年龄在21岁以下且未婚，则给予C类保险；男性且年龄在21岁以下且已婚，则给予B类保险。3.ID3 ID3算法算法 ID3算法是一个经典的决策树学习算法，由Quinlan于1979年提出。ID3算法的基本思想是，以信息熵为度量，用于决策树节点的属性选择，每次优先选取信息量最多的属性，亦即能使熵值变成最小的属性，以构造一棵熵值下降最快的决策树，到叶子节点处的熵值为0。此时，每个叶子节点对应的实例集中的实例属于同一类。（1）信息熵和条件熵信息熵和条件熵 设S是一个实例集(S也可以是子实例集),A为S中实例的一个属性
13、。H(S)和H(S|A)分别称为实例集S的信息熵和条件熵,其计算公式如下:其中,i(i=1,2,n)为S中各实例所有可能的结论；lb即log2。其中,ak(k=1,2,m)为属性A的取值,Sak为按属性A对实例集S进行分类时所得诸子类中与属性值ak对应的那个子类。niiiPPSH1)(lb)()(mkaakkSHSSASH1)()|(（2）基于条件熵的属性选择基于条件熵的属性选择按性别划分,实例集S被分为两个子类:S男=(3,C),(4,B),(7,C),(8,B),(11,B),(12,B)S女=(1,C),(2,C),(5,A),(6,A),(9,A),(10,A)从而,对子集S男而言,6
14、2)(,64)(,060)(CPBPAP对子集S女而言,62)(,060)(,64)(CPBPAP于是,由公式(9-1)有:9183.0)5283.039.0(5850.16258850.064062lb6264lb6460lb60)(lb)()(lb)()(lb)()(CPCPBPBPAPAPSH男9183.0)39.05283.0(5850.16205850.06462lb6260lb6464lb64)(lb)()(lb)()(lb)()(CPCPBPBPAPAPSH女又 126|SSSS女男将以上3式代入公式(9-2)得:9183.09183.01269183.0126)(126)(12
15、6)|(中男性别SHSHSH用同样的方法可求得:5062.1)(126)(126)|(10351)(124)(124)(124)|(已未小中大婚状性别SHSHSH。SHSHSHSH可见,条件熵H(S|性别)为最小,所以,应取“性别”这一属性对实例集进行分类,即以“性别”作为决策树的根节点。6.3 神经网络学习 6.3.1生物神经元 生物神经元的基本结构 6.3.2人工神经元 人工神经元结构模型人工神经元的输入、输出关系可描述为：1()niiiyfAAx神经元特性函数 1.1.阈值型阈值型2.S2.S型型 3.3.分段线性型分段线性型 1()1AyfAe()yf A1000AA0001kkAyK
16、 AAAAA 神经元特性函数 6.3.3 神经网络1.分层前向网络 2.反馈前向网络 3.互连前向网络4.广泛互连网络 神经网络 结构模型 神经网络至少可以实现如下功能：数学上的映射逼近 数据聚类、压缩 通过自组织方式对所选输入模 式聚类优化计算和组合优化问题求解模式分类 概率密度函数的估计6.3.4神经网络学习1.1.学习规则学习规则 HebbHebb规则规则：最基本的误差修正规则最基本的误差修正规则,即即学习规则学习规则：步1 选择一组初始权值Wij(0)。步2 计算某一输入模式对应的实际输出与期望输出的误差。步3 用下式更新权值(阈值可视为输入恒为-1的一个权值)Wij(t1)=Wij(
17、t)djyj(t)xi(t)步4 返回步2，直到对所有训练模式网络输出均能满足要求。)()()()1(tXtXtWtWjiijij2.2.学习方法分类学习方法分类表 9.2 神经网络学习方法的常见分类 9.3.5 BP网络及其学习举例 BP(Back-Propagation)网络的特点：(1)BP网络的拓扑结构为分层前向网络。(2)神经元的特性函数为Sigmoid型(S型)函数,一般取为 (3)输入为连续信号量(实数)。(4)学习方式为有导师学习。(5)学习算法为推广的学习规则,称为误差反向传播算法,简称BP学习算法。xexf11)(BP学习算法：步1 初始化网络权值、阈值及有关参数。步2 计
18、算总误差 其中ykj为输出层节点j对第k个样本的输入对应的输出（称为期望输出），ykj为节点j的实际输出。步3 对样本集中各个样本依次重复以下过程，然后转步2。12kkEEP21()2jjkkkjEyy 首先，取一样本数据输入网络，然后按如下公式向前计算各层节点(记为j)的输出：其次，从输出层节点到输入层节点以反向顺序，对各连接权值wij按下面的公式进行修正：01()1jja jnjijjiOfaeaO(1)()ijjiWtW tO)(1(jjjjyyOOljlljjwOO)1(j对于输出节点对于中间节点 例 9.5 设计一个BP网络,对下表所示的样本数据进行学习,使学成的网络能解决类似的模式
19、分类问题。输入输出x1 x2 x3 y1 y2 y30.3 0.8 0.10.7 0.1 0.30.6 0.6 0.6 1 0 0 0 1 0 0 0 1 BP网络举例 6.4 知识发现与数据挖掘 6.4.1 知识发现的一般过程 1.数据准备数据准备 2.数据挖掘数据挖掘 3.解释和评价解释和评价 4.知识表示知识表示 6.4.2 知识发现的对象 1.1.数据库数据库 2.2.数据仓库数据仓库 数据仓库的基本特征：数据仓库的基本特征：数据仓库的数据是面向主题的；数据仓库的数据是集成的；数据仓库的数据是稳定的；数据仓库的数据是随时间不断变化的。3.Web Web信息信息 4.图像和视频数据图像和视频数据6.4.3 知识发现的任务 1.数据总结数据总结 2.概念描述概念描述 3.分类分类（classification）4.聚类聚类（clustering）5.相关性分析相关性分析 6.偏差分析偏差分析 7.建模建模6.4.4 知识发现的方法 1.统计方法统计方法 2.机器学习方法机器学习方法 3.粗糙集及模糊集粗糙集及模糊集 4.智能计算方法智能计算方法 5.可视化可视化
