假设空间 版本空间&查全率 查准率

一、假设空间 版本空间

根据P4表1.1和P5图1.1得，

       假设空间为：     

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

图1.1下面的那段话描述了学习的过程：搜索过程中可以不断删除与正例（好瓜）不一致的假设、和（或）与反例（坏瓜）一致的假设。最终将会获得与训练集一致（即对所有训练样本能够进行正确判断）的假设，这就是我们学得的结果。

按照上述过程进行学习：
（1）（色泽＝青绿、根蒂＝蜷缩、敲声＝浊响），好瓜         【此处保留非*号内容与（1）对应位置取值相同的假设】
保留1、2、4、7、10、16、22、31
（2）（色泽＝乌黑、根蒂＝蜷缩、敲声＝浊响），好瓜
保留1、4、7、22
（3）（色泽＝青绿、根蒂＝硬挺、敲声＝清脆），坏瓜
删除1
（4）（色泽＝乌黑、根蒂＝稍蜷、敲声＝沉闷），坏瓜
剩余假设空间中无可删除的假设

学习过后剩余的假设为
4 色泽＝＊，根蒂＝蜷缩，敲声＝＊
7 色泽＝＊，根蒂＝＊，敲声＝浊响
22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响

这就是最后的“假设集合”，也就是“版本空间”。

二、查全率 查准率

Machine learning 中查准率（Precision）、查全率（recall）和Accuracy。 
表示分类正确： 
True Positive：本来是正样例，分类成正样例。 

True Negative：本来是负样例，分类成负样例。

（据个人的理解，TP和TN的损失为0，一般它们的数量不变） 

表示分类错误： 
False Positive ：本来是负样例，分类成正样例，通常叫误报。 

False Negative：本来是正样例，分类成负样例，通常叫漏报。

P=TP/(TP+FP)

R=TP/(TP+FN)

从实际意义来讲，

P可以看出是否有被误报的情况，。

R可以看出是否有被漏报的情况。