Mein Kandidat Beseitigung Algorithmus funktioniert nicht

Question

Ich versuche, einen "Kandidaten Beseitigung Algorithmus" in Python zu implementieren, aber mein Code funktioniert nicht.

Ich schrieb drei Funktionen:

• consistent für die Konsistenz zwischen den Hypothesen überprüft und die Trainingsbeispiele
• more_general
• more_specific für die Suche nach den spezifischeren Argument
das allgemeinere Argument für die Suche nach

Aber mein Algorithmus fügt nicht hinzu oder entfernt die Hypothesen von G und S. Ich kann nicht finden, wo das Problem ist. Kannst du mir helfen?

# the general hypothesis 

G = [ ('?', '?', '?', '?') ] 

# the specific hypothesis 

S = [('0', '0', '0', '0')] 

# attributes: 
AV = (['short', 'far'], ['cheap', 'expensive'], ['many', 'none'], ['yes', 'no']) 

# training examples: 
D = [ 

    {'sample': ('far', 'cheap',  'many', 'no'), 'positive': True }, 
    {'sample': ('short', 'expensive', 'many', 'no'), 'positive': True }, 
    {'sample': ('far', 'expensive', 'none', 'yes'), 'positive': False}, 
    {'sample': ('short', 'cheap',  'none', 'yes'), 'positive': False}, 
    {'sample': ('short', 'cheap',  'many', 'yes'), 'positive': True } 
] 




def consistent(hypothesis, sample): 

    return all([hypothesis[i] == sample[i] or hypothesis[i] == '?' for i in 
    range(len(hypothesis))]) 


def more_general(a, b): 

    result = False 
    if a == '0' and b != '0': 
     result = True 
    elif a != '?' and b == '?': 
     result = True 

    return result 


def more_specific(a, b): 

    result = False 
    if a == '?' and b != '?': 
     result = True 
    elif a != '0' and b == '0': 
     result = True 

    return result 


for d in D: 

    if d['positive']: 
     G = [g for g in G if consistent(g, d['sample'])] 
     for s in S: 
      if not consistent(s, d['sample']): 
       S.remove(s) 

       # Adding to S all minimal generalizations of s by h: 
       dd = d['sample'] 
       if s == 0: 
        h = dd[s] 
       else: 
        h = '?' 


       if consistent(h, d['sample']) and any([more_general(g, h) for g in G]): 
        S.append(h) 

       #Removing from S any hypothesis that is more general than  another hypothesis in S 
       for s2 in S: 
        if any([more_general(s2, s3) and not s2 == s3 for s3 in S]): 
         S.remove(s2) 

    else: 
     S = [s for s in S if not consistent(s, d['sample'])] 
     for g in G: 
      if consistent(g, d['sample']): 
       G.remove(g) 

       # Add to G all minimal specializations h of g 
       for ai in range(len(AV)): 
        if g[ai] == '?': 
         h = list(g) 
         h[ai] = AV[ai][1 - AV[ai].index(d['sample'][ai])] 
         h = tuple(h) 
         if not consistent(h, d['sample']) and any([more_specific(s, h) for s in S]): 
          G.append(h) 




    print('Sample: {} {}\nG: {}\nS: {}\n'.format('+' if d['positive'] else '-', d['sample'], G, S)) 

Answer 1

Dies ist, wo Sie den Code für mich bricht:

 S.remove(s) 

     dd = d['sample'] 
     if s == 0: 
      h = dd[s] 
     else: 
      h = '?' 

     if consistent(h, d['sample']) and any([more_general(g, h) for g in G]): 
      S.append(h) 

s ein Tupel ist aber in der if Zustand, sind Sie es als Skalarwert Behandlung, wenn auf Null zu vergleichen. Nach der if, h enthält einen Skalar, aber in der nächsten if, der Aufruf an consistent() erwartet sein erstes Argument, h zu einem Tupel, kein Skalar sein.