كيفية تنفيذ خوارزمية Find-S في التعلم الآلي؟

في ، يمكن وصف مفهوم التعلم بأنه ' مشكلة البحث في مساحة محددة مسبقًا من الفرضيات المحتملة للفرضية التي تناسب أفضل الأمثلة التدريبية '- توم ميتشل. في هذه المقالة ، سنتعرف على خوارزمية تعلم المفاهيم المعروفة باسم خوارزمية Find-S. المواضيع التالية تناقش في هذه المقالة.

• ما هي خوارزمية Find-S في التعلم الآلي؟
• كيف يعمل؟
• حدود البحث- S الخوارزمية
• تنفيذ خوارزمية Find-S
• حالة الاستخدام

ما هي خوارزمية Find-S في التعلم الآلي؟

لفهم خوارزمية Find-S ، يجب أن يكون لديك فكرة أساسية عن المفاهيم التالية أيضًا:

1. مفهوم التعلم
2. الفرضية العامة
3. فرضية محددة

1. مفهوم التعلم

دعونا نحاول فهم مفهوم التعلم من خلال مثال من واقع الحياة. يعتمد معظم التعلم البشري على تجارب أو تجارب سابقة. على سبيل المثال ، يمكننا تحديد أي نوع من المركبات بناءً على مجموعة معينة من الميزات مثل الطراز والطراز وما إلى ذلك ، والتي يتم تحديدها عبر مجموعة كبيرة من الميزات.

تميز هذه الميزات الخاصة مجموعة السيارات والشاحنات وما إلى ذلك عن مجموعة المركبات الأكبر. تُعرف هذه الميزات التي تحدد مجموعة السيارات والشاحنات وما إلى ذلك باسم المفاهيم.

على غرار هذا ، يمكن للآلات أيضًا التعلم من المفاهيم لتحديد ما إذا كان الكائن ينتمي إلى فئة معينة أم لا. أي الذي يدعم مفهوم التعلم يتطلب ما يلي:

• بيانات التدريب
• مفهوم الهدف
• كائنات البيانات الفعلية

2. الفرضية العامة

الفرضية بشكل عام هي تفسير لشيء ما. تنص الفرضية العامة أساسًا على العلاقة العامة بين المتغيرات الرئيسية. على سبيل المثال ، ستكون الفرضية العامة لطلب الطعام اريد برجر.

G = {'؟' ، '؟' ، '؟' ، ... .. '؟'}

تسلسل فيبوناتشي c ++

3. فرضية محددة

تملأ الفرضية المحددة جميع التفاصيل المهمة حول المتغيرات الواردة في الفرضية العامة. ستكون التفاصيل الأكثر تحديدًا في المثال الوارد أعلاه أريد تشيز برجر مع دجاج بيبروني محشو بالكثير من الخس.

S = {'& Phi'، '& Phi'، '& Phi'، ……، '& Phi'}

عبارات if في استعلامات SQL

الآن ، لنتحدث عن خوارزمية Find-S في التعلم الآلي.

تتبع خوارزمية Find-S الخطوات المكتوبة أدناه:

1. ابدأ بـ 'h' للفرضية الأكثر تحديدًا.
2. تراعي خوارزمية Find-S الأمثلة الإيجابية فقط وتزيل الأمثلة السلبية. لكل مثال إيجابي ، تتحقق الخوارزمية من كل سمة في المثال. إذا كانت قيمة السمة هي نفسها قيمة الفرضية ، فإن الخوارزمية تتحرك دون أي تغييرات. ولكن إذا كانت قيمة السمة مختلفة عن قيمة الفرضية ، تقوم الخوارزمية بتغييرها إلى '؟'.

الآن وقد انتهينا من الشرح الأساسي لخوارزمية Find-S ، دعنا نلقي نظرة على كيفية عملها.

كيف يعمل؟

1. تبدأ العملية بتهيئة 'h' بالفرضية الأكثر تحديدًا ، وهي عمومًا أول مثال إيجابي في مجموعة البيانات.
2. نتحقق من كل مثال إيجابي. إذا كان المثال سالبًا ، فسننتقل إلى المثال التالي ، ولكن إذا كان مثالًا إيجابيًا ، فسننظر إليه في الخطوة التالية.
3. سوف نتحقق مما إذا كانت كل سمة في المثال تساوي قيمة الفرضية.
4. إذا تطابقت القيمة ، فلن يتم إجراء أي تغييرات.
5. إذا كانت القيمة غير متطابقة ، يتم تغيير القيمة إلى '؟'.
6. نقوم بذلك حتى نصل إلى آخر مثال إيجابي في مجموعة البيانات.

حدود البحث- S الخوارزمية

هناك بعض القيود على خوارزمية Find-S المدرجة أدناه:

1. لا توجد طريقة لتحديد ما إذا كانت الفرضية متسقة في جميع البيانات.
2. يمكن لمجموعات التدريب غير المتسقة أن تضلل خوارزمية Find-S ، لأنها تتجاهل الأمثلة السلبية.
3. لا توفر خوارزمية Find-S تقنية تتبع عكسي لتحديد أفضل التغييرات الممكنة التي يمكن إجراؤها لتحسين الفرضية الناتجة.

الآن بعد أن أدركنا قيود خوارزمية Find-S ، دعونا نلقي نظرة على التنفيذ العملي لخوارزمية Find-S.

تنفيذ خوارزمية Find-S

لفهم التطبيق ، دعونا نحاول تنفيذه على مجموعة بيانات أصغر مع مجموعة من الأمثلة لتحديد ما إذا كان الشخص يريد الذهاب في نزهة على الأقدام.

سيكون مفهوم هذه المشكلة بالذات في الأيام التي يحب فيها الشخص المشي.

بالنظر إلى مجموعة البيانات ، لدينا ست سمات وسمة نهائية تحدد المثال الإيجابي أو السلبي. في هذه الحالة ، نعم مثال إيجابي ، مما يعني أن الشخص سيذهب في نزهة على الأقدام.

الآن ، الفرضية العامة هي:

ح₀= {'صباح' ، 'مشمس' ، 'دافئ' ، 'نعم' ، 'معتدل' ، 'قوي'}

هذه هي فرضيتنا العامة ، والآن سننظر في كل مثال واحدًا تلو الآخر ، ولكن فقط الأمثلة الإيجابية.

ح_واحد= {'الصباح' ، 'صني' ، '؟' ، 'نعم' ، '؟' ، '؟'}

ح₂= {'؟' ، 'صني' ، '؟' ، 'نعم' ، '؟' ، '؟'}

لقد استبدلنا جميع القيم المختلفة في الفرضية العامة للحصول على فرضية ناتجة. الآن بعد أن عرفنا كيف تعمل خوارزمية Find-S ، دعونا نلقي نظرة على التنفيذ باستخدام بايثون .

حالة الاستخدام

دعونا نحاول تنفيذ المثال أعلاه باستخدام . يرد أدناه رمز تنفيذ خوارزمية Find-S باستخدام البيانات أعلاه.

استيراد الباندا كـ pd استيراد numpy كـ np # لقراءة البيانات في بيانات ملف csv = pd.read_csv ('data.csv') print (data، 'n') # صنع مصفوفة من جميع السمات d = np.array (data) [:،: - 1] print ('n السمات هي:'، d) #segragating the target التي تحتوي على أمثلة إيجابية وسلبية target = np.array (data) [:، - 1] print ('n الهدف هو: '، target) #training function لتنفيذ خوارزمية find-s def train (c، t): for i، val في تعداد (t): if val ==' Yes ​​': specific_hypothesis = c [i]. copy () كسر لـ i ، val في التعداد (c): if t [i] == 'Yes': لـ x في النطاق (len (specific_hypothesis)): if val [x]! = specific_hypothesis [x]: specific_hypothesis [ x] = '؟' else: قم بتمرير فرضية محددة للإرجاع # الحصول على الفرضية النهائية المطبوعة ('n الفرضية النهائية هي:' ، تدريب (د ، هدف))

انتاج:

استيراد sqoop من oracle إلى hdfs

يقودنا هذا إلى نهاية هذه المقالة حيث تعلمنا خوارزمية Find-S في Machine Learning مع حالة التنفيذ والاستخدام. آمل أن تكون واضحًا بشأن كل ما تمت مشاركته معك في هذا البرنامج التعليمي.

إذا وجدت هذه المقالة حول 'Find-S Algorithm In Machine Learning' ذات صلة ، فراجع ملف شركة تعليمية موثوقة عبر الإنترنت مع شبكة تضم أكثر من 250000 متعلم راضٍ منتشرة في جميع أنحاء العالم.

نحن هنا لمساعدتك في كل خطوة في رحلتك والتوصل إلى منهج مصمم للطلاب والمهنيين الذين يريدون أن يكونوا . تم تصميم الدورة التدريبية لمنحك بداية قوية في برمجة Python وتدريبك على مفاهيم Python الأساسية والمتقدمة جنبًا إلى جنب مع العديد مثل ، ، إلخ.

إذا صادفت أي أسئلة ، فلا تتردد في طرح جميع أسئلتك في قسم التعليقات في 'Find-S Algorithm In Machine Learning' وسيسعد فريقنا بالإجابة.