Przykładowy problem: Restauracja czeka

Szczegółowo opiszemy przykładowy problem uczenia nadzorowanego: problem z podjęciem decyzji, czy czekać na stolik w restauracji. Ten problem będzie używany w całym rozdziale, aby zademonstrować różne klasy modeli. W przypadku tego problemu wyjście, y, jest zmienną logiczną, którą nazwiemy WillWait; dotyczy to przykładów, w których czekamy na stolik. Wejście x jest wektorem dziesięciu wartości atrybutów, z których każda ma wartości dyskretne:

1. Alternatywnie: czy w pobliżu znajduje się odpowiednia alternatywna restauracja.
2. Bar: czy restauracja ma wygodny bar, w którym można poczekać.
3. Pt=So: prawda w piątki i soboty.
4. Głodni: czy jesteśmy teraz głodni.
5. Patroni: ile osób jest w restauracji (wartości to Brak, Trochę i Pełen).
6. Cena: przedział cenowy restauracji ($, $$, $$$).
7. Deszcz: czy pada deszcz na zewnątrz.
8. Rezerwacja: czy dokonaliśmy rezerwacji.
9. Rodzaj: rodzaj restauracji (francuska, włoska, tajska lub burger).
10. WaitEstimate: szacowany czas oczekiwania gospodarza: 0-10, 10-30, 30-60 lub >60 minut.

Zestaw 12 przykładów, zaczerpniętych z doświadczenia jednego z nas (SR), pokazano na rysunku

Zwróć uwagę, jak skąpe są te dane: jest 2⁶ x 3² x 4² = 9,216 możliwych kombinacji wartości atrybutów wejściowych, ale otrzymujemy poprawne dane wyjściowe tylko dla 12 z nich; każde z pozostałych 9204 może być prawdziwe lub fałszywe; nie wiemy. To jest istota indukcji: musimy jak najlepiej zgadnąć te brakujące 9204 wartości wyjściowe, biorąc pod uwagę tylko dowody z 12 przykładów.