安德烈·埃伦菲赫特;戴维·豪斯勒 从随机示例中学习决策树。 （英语） Zbl 0679.68157号 Inf.计算。 82，第3期，231-246（1989）. 摘要：我们定义了决策树的秩，并证明了对于任何固定的r，n个布尔变量上秩最多为r的所有决策树的类都可以从n个时间多项式的随机示例中学习，在1/\（\epsilon\）和log（1/\（\ delta）\）中是线性的，其中\（\ epsilon \）是精度参数，\（\delta\）是置信参数。使用适当的变量编码，Rivest的决策列表多项式可学习性结果可以解释为该结果在秩1下的特例。作为另一个推论，我们证明了n中n个大小多项式布尔变量上的决策树可以从时间线性的随机示例中学习，例如，（n^{O（logn）}）、1/（epsilon）和log（1/（delta））。作为第三个推论，我们证明了布尔函数的正实例和负实例都具有多项式大小的DNF表达式，这些布尔函数可以从时间线性的随机示例中学习（n^{O（（logn）^2）}）、1/（epsilon）和log（1/（delta））。 引用于三评论引用于26文件 理学硕士： 68T05型 人工智能中的学习和自适应系统 90B50型 管理决策，包括多个目标 05二氧化碳 树 06E30年 布尔函数 关键词：学习;决策树;随机示例;Rivest多项式可学习性结果 PDF格式BibTeX公司 XML格式引用 \textit{A.Ehrenfeucht}和\textit{D.Haussler}，Inf.Comput。82，No.3，231--246（1989；Zbl 0679.68157） 全文： 内政部 参考文献： [1] 布雷曼，L。；弗里德曼，J.H。；Olshen，R.A。；Stone，C.J.，（分类和回归树（1984），Wadsworth:Wadsworth Belmont，CA）·Zbl 0541.62042号 [2] Blumer，A。；埃伦菲赫特，A。；Haussler，D。；Warmuth，M.K.，Occam剃刀，Inform。过程。莱特。，24, 377-380 (1987) ·Zbl 0653.68084号 [3] Blumer，A。；埃伦菲赫特，A。；Haussler，D。；Warmuth，M.K.，《可学习性和Vapnik-Chervonenkis维度》，J.Assoc.Compute。机器。，36，第4号（1989）·Zbl 0697.68079号 [4] Haussler，D.，《量化归纳偏差：AI学习算法和Valiant的学习框架》，Artif。智力。，36, 177-221 (1988) ·Zbl 0651.68104号 [5] Haussler，D。；卡恩斯，M。；Littlestone，北卡罗来纳州。；Warmuth，M.K.，多项式可学习模型的等价性，（《计算学习理论第一次研讨会论文集》，麻省理工学院第一次计算学习理论研讨会论文集，1988年8月3日至5日（1988年），Morgan Kaufmann），42-55 [6] 卡恩斯，M。；李，M。；皮特·L。；Valiant，L.G.，《关于布尔公式的可学习性》，（第19届美国计算机学会计算理论研讨会论文集，第19届美国计算机学会计算理论研讨会论文集，纽约，1987（1987）），285-295 [7] 北卡罗来纳州利特斯通，《当不相关的属性大量存在时快速学习：一种新的线性阈值算法，马赫数》。《学习》，第2期，第4期，245-318（1988年） [8] 皮特·L。；Valiant，L.G.，《从实例中学习的计算限制》，J.Assoc.Compute。机器。，33，第4期，965-984（1988）·Zbl 0662.68086号 [9] Quinlan，J.R.，决策树归纳，马赫。《学习》，第1期，第81-106页（1986年） [10] 昆兰，J.R。；Rivest，R.，使用最小描述长度原则推断决策树，Inform。和计算。，80, 227-448 (1989) ·Zbl 0664.94015号 [11] Rivest，R.，学习决策列表，马赫。《学习》，第2期，第3期，第229-246页（1987年） [12] Valiant，L.G.，《可学习理论》，ACM委员会，第27期，第11期，1134-1142（1984）·兹伯利0587.68077 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。