Was ist der Unterschied zwischen induktivem, deduktivem und abduktivem maschinellem Lernen?


Antwort 1:

INDUKTIVES MASCHINENLERNEN:

Aus der Perspektive des induktiven Lernens erhalten wir Eingangsabtastwerte (x) und Ausgangsabtastwerte (f (x)), und das Problem besteht darin, die Funktion (f) abzuschätzen. Insbesondere besteht das Problem darin, aus den Stichproben und der Zuordnung zu verallgemeinern, um nützlich zu sein, um die Ausgabe für neue Stichproben in der Zukunft abzuschätzen.

In der Praxis ist es fast immer zu schwierig, die Funktion abzuschätzen, daher suchen wir nach sehr guten Annäherungen an die Funktion.

Einige praktische Beispiele für die Induktion sind:

  • Kreditrisikobewertung: Das x ist das Eigentum des Kunden. Das f (x) ist kreditberechtigt oder nicht. Krankheitsdiagnose: Das x ist die Eigenschaft des Patienten. Das f (x) ist die Krankheit, an der sie leiden. Gesichtserkennung: Die x sind Bitmaps der Gesichter der Menschen. Mit f (x) soll dem Gesicht ein Name zugewiesen werden. Automatische Lenkung: Die x sind Bitmap-Bilder von einer Kamera vor dem Auto. Das f (x) ist der Grad, um den das Lenkrad gedreht werden soll.

Deduktives maschinelles Lernen:

Ein deduktiver Ansatz für den Sprachunterricht beginnt damit, den Lernenden Regeln, dann Beispiele und dann Übungen zu geben. Es ist ein lehrerzentrierter Ansatz zur Präsentation neuer Inhalte. Dies wird mit einem induktiven Ansatz verglichen, der mit Beispielen beginnt und die Lernenden auffordert, Regeln zu finden, und daher stärker auf den Lernenden ausgerichtet ist.

Abduktives maschinelles Lernen:

Entführung und Induktion sind eng verwandte Formen des durchführbaren Denkens. Die Forschung zum maschinellen Lernen konzentriert sich jedoch hauptsächlich auf induktive Techniken, die von spezifischen Beispielen bis zu allgemeinen Regeln reichen und Anwendungen für die Klassifizierung, Diagnose und Programmsynthese bieten. Abduktion wurde beim maschinellen Lernen verwendet, aber ihre Verwendung war typischerweise eine Nebenmethode, die integriert oder zusätzlich zum grundlegenden induktiven Schema hinzugefügt werden sollte. Wir diskutieren die allgemeine Beziehung zwischen abduktivem und induktivem Denken und zeigen, dass sie unterschiedliche Instanziierungen desselben Problems lösen. Anschließend analysieren wir die spezifischen Methoden, mit denen Abduktion beim maschinellen Lernen eingesetzt wurde. Zwei verschiedene Fälle werden unterschieden:

Abduktives Denken, das in erklärungsbasierten Lernsystemen als Heuristik verwendet wird, um die Suche in der Top-Down-Spezialisierung zu steuern, und

Abduktion zur Erzeugung fehlender Beispiele beim relationalen Lernen. In beiden Fällen ist die Verwendung der Abduktion nicht allgemein und an ein sehr kleines und spezifisches Problem angepasst.

In diesem Sinne hat die Community für maschinelles Lernen die Entführung trotz des hohen Grads an Ähnlichkeit nicht als Synonym für Induktion verwendet. Beide Anwendungen der Entführung beim Lernen haben sich jedoch für ihre beabsichtigten Zwecke als wirksam erwiesen.


Antwort 2:

Das klassische maschinelle Lernverfahren folgt dem wissenschaftlichen Paradigma der Induktion und Deduktion. Im induktiven Schritt lernen wir das Modell aus Rohdaten (sogenannter Trainingssatz), und im deduktiven Schritt wird das Modell angewendet, um das Verhalten neuer Daten vorherzusagen. (Jetzt wird '' Vorhersage '' im vagen Sinne verwendet, weil das Modell selbst - z. B. das Bayes'sche Netzwerk - aus zwei Arten von Aussagen bestehen kann: Hypothese und Evidenz. Wir können die Evidenz (Sachverhalt) vorhersagen, wenn die Hypothesen gegeben sind. oder suchen Sie nach der wahrscheinlichsten Erklärung, wenn einige Beweise beobachtet werden. Auch die Diagnose möglicher Ursachen ist probabilistisch, dh "Vorhersage", aber beide Aufgaben sind deduktive Verwendung des Modells.)