假設空間 版本空間&查全率 查準率

一、假設空間 版本空間

根據P4表1.1和P5圖1.1得，

       假設空間爲：     

1 色澤＝＊，     根蒂＝＊，    敲聲＝＊
2 色澤＝青綠， 根蒂＝＊，    敲聲＝＊
3 色澤＝烏黑， 根蒂＝＊，    敲聲＝＊
4 色澤＝＊，     根蒂＝蜷縮，敲聲＝＊
5 色澤＝＊，     根蒂＝硬挺，敲聲＝＊
6 色澤＝＊，     根蒂＝稍蜷，敲聲＝＊
7 色澤＝＊，     根蒂＝＊，    敲聲＝濁響
8 色澤＝＊，     根蒂＝＊，    敲聲＝清脆
9 色澤＝＊，     根蒂＝＊，    敲聲＝沉悶
10 色澤＝青綠，根蒂＝蜷縮，敲聲＝＊
11 色澤＝青綠，根蒂＝硬挺，敲聲＝＊
12 色澤＝青綠，根蒂＝稍蜷，敲聲＝＊
13 色澤＝烏黑，根蒂＝蜷縮，敲聲＝＊
14 色澤＝烏黑，根蒂＝硬挺，敲聲＝＊
15 色澤＝烏黑，根蒂＝稍蜷，敲聲＝＊
16 色澤＝青綠，根蒂＝＊，    敲聲＝濁響
17 色澤＝青綠，根蒂＝＊，    敲聲＝清脆
18 色澤＝青綠，根蒂＝＊，    敲聲＝沉悶
19 色澤＝烏黑，根蒂＝＊，    敲聲＝濁響
20 色澤＝烏黑，根蒂＝＊，    敲聲＝清脆
21 色澤＝烏黑，根蒂＝＊，    敲聲＝沉悶
22 色澤＝＊，    根蒂＝蜷縮，敲聲＝濁響
23 色澤＝＊，    根蒂＝蜷縮，敲聲＝清脆
24 色澤＝＊，    根蒂＝蜷縮，敲聲＝沉悶
25 色澤＝＊，    根蒂＝硬挺，敲聲＝濁響
26 色澤＝＊，    根蒂＝硬挺，敲聲＝清脆
27 色澤＝＊，    根蒂＝硬挺，敲聲＝沉悶
28 色澤＝＊，    根蒂＝稍蜷，敲聲＝濁響
29 色澤＝＊，    根蒂＝稍蜷，敲聲＝清脆
30 色澤＝＊，    根蒂＝稍蜷，敲聲＝沉悶
31 色澤＝青綠，根蒂＝蜷縮，敲聲＝濁響
32 色澤＝青綠，根蒂＝蜷縮，敲聲＝清脆
33 色澤＝青綠，根蒂＝蜷縮，敲聲＝沉悶
34 色澤＝青綠，根蒂＝硬挺，敲聲＝濁響
35 色澤＝青綠，根蒂＝硬挺，敲聲＝清脆
36 色澤＝青綠，根蒂＝硬挺，敲聲＝沉悶
37 色澤＝青綠，根蒂＝稍蜷，敲聲＝濁響
38 色澤＝青綠，根蒂＝稍蜷，敲聲＝清脆
39 色澤＝青綠，根蒂＝稍蜷，敲聲＝沉悶
40 色澤＝烏黑，根蒂＝蜷縮，敲聲＝濁響
41 色澤＝烏黑，根蒂＝蜷縮，敲聲＝清脆
42 色澤＝烏黑，根蒂＝蜷縮，敲聲＝沉悶
43 色澤＝烏黑，根蒂＝硬挺，敲聲＝濁響
44 色澤＝烏黑，根蒂＝硬挺，敲聲＝清脆
45 色澤＝烏黑，根蒂＝硬挺，敲聲＝沉悶
46 色澤＝烏黑，根蒂＝稍蜷，敲聲＝濁響
47 色澤＝烏黑，根蒂＝稍蜷，敲聲＝清脆
48 色澤＝烏黑，根蒂＝稍蜷，敲聲＝沉悶
49 Ø

圖1.1下面的那段話描述了學習的過程：搜索過程中可以不斷刪除與正例（好瓜）不一致的假設、和（或）與反例（壞瓜）一致的假設。最終將會獲得與訓練集一致（即對所有訓練樣本能夠進行正確判斷）的假設，這就是我們學得的結果。

按照上述過程進行學習：
（1）（色澤＝青綠、根蒂＝蜷縮、敲聲＝濁響），好瓜         【此處保留非*號內容與（1）對應位置取值相同的假設】
保留1、2、4、7、10、16、22、31
（2）（色澤＝烏黑、根蒂＝蜷縮、敲聲＝濁響），好瓜
保留1、4、7、22
（3）（色澤＝青綠、根蒂＝硬挺、敲聲＝清脆），壞瓜
刪除1
（4）（色澤＝烏黑、根蒂＝稍蜷、敲聲＝沉悶），壞瓜
剩餘假設空間中無可刪除的假設

學習過後剩餘的假設爲
4 色澤＝＊，根蒂＝蜷縮，敲聲＝＊
7 色澤＝＊，根蒂＝＊，敲聲＝濁響
22 色澤＝＊，根蒂＝蜷縮，敲聲＝濁響

這就是最後的“假設集合”，也就是“版本空間”。

二、查全率 查準率

Machine learning 中查準率（Precision）、查全率（recall）和Accuracy。 
表示分類正確： 
True Positive：本來是正樣例，分類成正樣例。 

True Negative：本來是負樣例，分類成負樣例。

（據個人的理解，TP和TN的損失爲0，一般它們的數量不變） 

表示分類錯誤： 
False Positive ：本來是負樣例，分類成正樣例，通常叫誤報。 

False Negative：本來是正樣例，分類成負樣例，通常叫漏報。

P=TP/(TP+FP)

R=TP/(TP+FN)

從實際意義來講，

P可以看出是否有被誤報的情況，。

R可以看出是否有被漏報的情況。