آموزش و پیاده سازی الگوریتم Find-s

به طور کلی این الگوریتم برای بدست آوردن یک مفهوم کلی از روی مثالهای مثبت و منفی می باشد

این کار از طریق جستجو در فضای فرضیه های ممکن از قبل دانسته برای پیدا کردن بهترین فرضیه منطبق بر داده های آموزشی انجام می شود

در عمل با موارد زیادی از یادگیری مواجه هستیم که در آن یک مفهوم کلی از روی مثالهای آموزشی یادگرفته میشود. چنین مفاهیمی را میتوان توسط یک تابع بولی نشان داد.

 

 

الگوریتم FIND-S به سئولات زیر نمی تواند پاسخ دهد

آیا این الگوریتم به مفهوم صحیح رسیده است؟

اگرچه این الگوریتم فرضیه ای سازگار Consistent با داده آموزشی را می یابد، اما هیچ روشی برای تعیین اینکه آیا فرضیه یافت شده تنها فرضیه سازگار با داده ها در H است یا اینکه تعداد زیادی فرضیه سازگار دیگر موجود است، وجود ندارد

آیا اختصاصی ترین فرضیه خوب است ؟

وقتی که چندین فرضیه سازگار با داده های آموزشی وجود دارد، الگوریتم خاص ترین فرضیه را می یابد، در واقع مشخص نیست که آیا باید خاص ترین فرضیه را مثلا، به کلی ترین فرضیه ارجعیت داد یا به فرضیه ای دیگر که دارای کلیتی میانه است

این الگوریتم نمیتواند خطا را کشف کند

در بسیاری از مسائل یادگیری مفهوم امکان وجود خطا یا نویز در نمونه های یادگیری وجود دارد. نمونه هایی که خطا دارند الگوریتم را به اشتباه می اندازند، مخصوصا وقتی که الگوریتم در قبال نمونه های منفی هیچ عکس العملی نشان نمیدهد،

اگر چندین فرضیه اختصاصی حداکثر وجود داشت یا نداشت چه می شود ؟

در مثال های آموزشی ممکن است خاص ترین فرضیه ها یکتا نباشد، در چنین شرایطی الگوریتم باید تصحیح شود تا بتواند گزینه های دیگر موجود در کلی تر سازی و احتمال این را که آیا میشود از شاخه ای دیگر از روند کلی سازی به مفهوم هدف رسید بررسی کند