补充资料：分析学习

分析学习
analytic learning

　　手段，利用现有知识对问题进行分析求解来获取知识和经验的一种学习方法。80年代开始，机器学习研究进人了一个蓬勃发展的时期，出现了各具特色的一些学习方法和系统。人们在研究中发现有些学习方法在某些方面具有共性，例如解释学习，事例学习，类比学习等。它们的共同特点是:依靠大量已有的知识，且以演绎手段为主。人们把这一类方法统称为分析学习。分析学习是与归纳学习、遗传学习、连接机制学习等并列的一类机器学习方法。 基于解释的学习(EBL)一种从单例出发利用领域知识进行分析学习的方法。EBL系统解释为什么一个特定的例子是一个概念的实例，然后将这个解释概括成可操作的概念识别规则。从例子学习长期以来是机器学习领域的研究重点。EBL即是一种示例学习的方法，但它与早期的示例学习方法有很大的差别。早期的示例学习研究主要集中在归纳方法上，从大量例子中抽取概括它们共同的特征，这种归纳方法是基于经验的、数据密集型的方法，缺乏知识的指导。80年代以来，许多研究工作集中到分析的方法上来，例子不再被看作是孤立的特征集合，而是放在领域知识背景下进行处理。EBL能够通过分析从单例中抽象出概念的描述，而这种分析过程是由领域知识引导的。例子的解释过程确定了例子中与概念相关的特征，这些相关特征构成了概念的充分条件。由E13L概括而生成的概念描述使得对以后的例子的识别更方便、有效。因此EBL从本质上说是基于演绎的、知识密集型的学习方法。EBL代表了人工智能研究向基于知识的系统转变的一般趋势。EBL的发展演变是许多学者共同努力的结果，最早可以追溯到早期的分析学习程序，如grRIPS，HACKER等，这些程序通过以往的经验来改善系统的执行。但这些工作并没有系统地探讨这种分析式的学习方法。直到80年代初，一些学者如1润ong等分别独立地在各自不同的应用领域中对这种学习方法进行了研究，强调了基于知识的单例学习。最后，一系列的比较、综述性的文章试图将这些工作统一到一种单一的学习方法之中。1986年块-jong提出了日3L这个术语用来命名这种学习方法。在以后的一段时间里EBL成为机器学习中的研究热点。Mitchell阐述了EBL的一种学习算法—El弘弓学习算法，该算法内容如下。 已知: 目标概念以高级形式或功能特性描述的某个概念的定义，它不能直接用于目标概念的实例的识别。 训练例子以低级特性描述的目标概念的一个实例。 领域知识是推理规则和事实集，用于证明训练例子是否是目标概念的实例。 可操作性准则为使目标概念能被有效识别而规定的概念定义的表达形式。

说明：补充资料仅用于学习参考，请勿用于其它任何用途。