第一章介紹了本書所涉及基本術語和概念。
同時簡要介紹了機器學習的發展史。 習題 1.1若表 1.1 只包含 1 和 4 兩個樣例，試給出相應的樣本空間。已知色澤有兩種取值，根蒂和敲聲分別有三種取值。表 1.1 西瓜資料集
編號色澤
根蒂敲聲好瓜1
青綠蜷縮濁響是
2烏黑蜷縮濁響是3
青綠硬挺清脆否
4烏黑稍蜷沉悶
否首先說明概念1：版本空間（version space）是概念學習中與已知資料集一致的所有假設(hypothesis)的子集集合。即是版本空間是假設空間中於樣本滿足一致的「假設集合」, 是基於樣本決定的。
gb 是最大泛化正假設邊界（maximally general positive hypothesis boundary）；
sb 是最大精確正假設邊界（maximally specific positive hypothesis boundary）。
對於二維空間中的「矩形」假設（如圖），綠色代表正例，紅色代表負例。學習過程中，可以
不斷刪除與正例不一致的假設、和（或）與反例一致的假設。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，即學得結果。如圖 gb 與 sb 所圍成的區域中的矩形即為版本空間。
解答：由於色澤有兩種取值，根蒂和敲聲分別有三種取值，再各自加上「通配」（即取什麼值都無關緊要）這一項，一共是 (2+
1)×(
3+1)
×(3+
1)=48
種取值，另外還有一種取值是「好瓜這個概念根本不成立」即空集。故
假設空間大小為 48+1=49。現在根據已有樣本 1 和 4，可以排除掉假設空間中所有「色澤
≠青綠」或「根蒂
≠蜷縮」或「聲響
≠濁響」的項，以及由於有樣本 1 即好瓜的存在，排除空集那一項，所以得到的版本空間大小為 8，用合取式表示則是以下 8 種取值： （色
澤＝青綠
）∧（根
蒂＝∗）
∧（敲聲
＝∗）（
色澤＝∗
）∧（根
蒂＝蜷縮
）∧（敲
聲＝∗）
（色澤＝
∗）∧（
根蒂＝∗
）∧（敲
聲＝濁響
）（色澤
＝青綠）
∧（根蒂
＝蜷縮）
∧（敲聲
＝∗）（
色澤＝青
綠）∧（
根蒂＝∗
）∧（敲
聲＝濁響
）（色澤
＝∗）∧
（根蒂＝
蜷縮）∧
（敲聲＝
濁響）（
色澤＝青
綠）∧（
根蒂＝蜷
縮）∧（
敲聲＝濁
響）
習題 1.2 解答：剛已經分析了有 8 種取值，故假設空間中的假設用析取正規化表達形式如下： 好瓜
↔∨∨∨
∨∨∨(
（色澤＝
青綠）∧
（根蒂＝
∗）∧（
敲聲＝∗
）)(（
色澤＝∗
）∧（根
蒂＝蜷縮
）∧（敲
聲＝∗）
)(（色
澤＝∗）
∧（根蒂
＝∗）∧
（敲聲＝
濁響）)
(（色澤
＝青綠）
∧（根蒂
＝蜷縮）
∧（敲聲
＝∗）)
（色澤＝
青綠）∧
（根蒂＝
∗）∧（
敲聲＝濁
響）)(
（色澤＝
∗）∧（
根蒂＝蜷
縮）∧（
敲聲＝濁
響）)(
（色澤＝
青綠）∧
（根蒂＝
蜷縮）∧
（敲聲＝
濁響）)
其中任意乙個取值可以去掉（即去掉取值的約束，從而擴大了結果的空間），比如 好
瓜↔∨(
（色澤＝
青綠）∧
（根蒂＝
∗）∧（
敲聲＝∗
）)(（
色澤＝∗
）∧（根
蒂＝蜷縮
）∧（敲
聲＝∗）
)也是一種假設。但不可將 8 個都去掉，這樣對「好瓜」就毫無約束了，這樣存在樣本 4 是不符的。故包含以上 8 額合取式中任意非 0 個的析取正規化表示式都是合理的假設，即共有 28−
1=255種假設。
首先給出相關定義，合取正規化：conjunctive normal form - wikipedia，析合正規化：disjunctive normal form - wikipedia。
習題 1.3 解答：由於含有雜訊，故可對樣本空間放寬約束。對於那些只與極少數樣本不一致卻與極大多數樣本一致的假設，仍將其保留在版本空間中。
機器學習（周志華） 第一章總結
的是離散值 好 壞 分類。連續值 0.98 0.90 回歸。通過對訓練集x的學習，形成到集合y的對映 聚類 根據資料的內在聯絡，進行按別分類。訓練資料 有標記的 聚類過的 稱為無監督學習，反之 回歸和分類 為監督學習 歸納學習 廣義的 從樣例種學習 監督與無監督 狹義的 從訓練資料種學習概念 概念學...
西瓜書 周志華 機器學習第一章 緒論
1.什麼是機器學習?人區別於機器，更多是基於經驗累積起來的個體。比如今天我起床看見天空有點兒灰暗，沒有太陽，那我就可以初步預判今天應該是會下雨。走在路上發現，風越吹越大，蜻蜓也在低飛，天越來越黑，這時你知道要下雨了，而且根據以往十幾年來的經驗判斷，這雨還不小，我得趕緊找個地方躲起來。人呢 遇到事多了...
機器學習第一章緒論（周志華西瓜書）
目錄 第一章 緒論 1.1 引言 1.2 基本術語 1.3 假設空間 1.4 歸納偏好 1.5 發展歷程 1.6 應用現狀 1.7閱讀材料 2.課後練習 由 的值是否連續分類 由是否有標記分類 最終可能會有很多與訓練集一致的假設 無法取捨 通過實際偏好來選擇 有沒有一般性原則來引導選擇正確的偏好呢？...