Dado un predicado objetivo Q cada hipótesis propone una definición candidata Ci de ese predicado. Cada Hipótesis Hi es de la forma . Por ejemplo
H es el espacio de estados {H1, ..., Hn}
El algoritmo de aprendizaje supone que una de esas hipótesis es correcta, es decir, cree
La extensión de una hipótesis es el conjunto de ejemplos que predice. Dos hipótesis son inconsistentes si sus extensiones son distintas. Un ejemplo es inconsistente con una hipótesis si no pertenece a la extensión de esa hipótesis
Un ejemplo Xi se describe con la sentencia Di(Xi) y se clasifica con la sentencia Q(Xi) si es un ejemplo positivo, not Q(Xi) si es un ejemplo negativo. Así el ejemplo X1 se describe con
y se clasifica
Inconsistencia de hipótesis y ejemplos
falso negativo: la hipótesis dice que debe ser negativo pero realmente es positivo
En el ejemplo de una espera de 0-10 minutos y el restaurante lleno, la hipótesis Hr predice y el ejemplo dice
falso positivo: la hipótesis dice que debe ser positivo pero realmente es negativo
El problema del aprendizaje inductivo es por tanto el de eliminar hipótesis inconsistente con los ejemplos. Describiremos el primer algoritmo de aprendizaje de este tipo debido a Patrick Winston
Alvaro Barreiro Garcia
Fri May 9 18:27:33 MET DST 1997