机器学习中，如何判断蕴含式值的真假？

今天在机器学习碰到了概念学习的知识，里面涉及了很多离散数学的概念，因此挑比较重点、难点的地方来总结一下。

设P、Q为两个命题，我们称P—>Q为一个蕴含式，那么真值表如下所示：

P	Q	P—>Q
1	0	0
1	1	1
0	1	1
0	0	1

下面我们来详细解释一下如何判断P—>Q的值到底是1还是0，这里我们把P和Q赋予具体的命题

P是“汤姆离散数学考了满分”，Q是“汤姆妈妈给汤姆买电脑”

那么P—>Q可以表示为：如果汤姆离散数学考了满分，汤姆妈妈就会给给汤姆买电脑。

当P为真的时候，若Q为真，显然P—>Q为真，值为1

当P为真的时候，若Q为假，汤姆考了满分，但是妈妈却没有给他买电脑，显然没有兑现承诺，所以P—>Q是假的，值为0

当P为假的时候，无论Q是真假，P—>Q的值都为真，这是因为当P为假的时候，这个承诺的前提（P）已经不成立了，因此无论结果（Q）如何，都不影响P—>Q的值为真。

最后这两种情况其实还可以这么理解：

如果P是真的，那么Q一定是真的（这是P—>Q的定义），它的否定是：如果P不是真的，那么Q不一定是真的

所以满足这种关系的逻辑，都是真的。

对于理解不了的同学们，我总结了2个以下误区，希望大家仔细思考：

①在自然语言中，“如果P，则Q“中的P与Q往往有某种内在的联系，但在数理逻辑中的P与Q不一定有什么内在联系。

②在数学中，“如果P则Q“往往表示前件P为真，Q为真的推理关系，但在数理逻辑中，当前件P为假时，为真。

机器学习中，如何判断蕴含式值的真假？相关推荐

详解机器学习中 ROC曲线、AUC值、正确率、召回率
文章目录前言简介医学图像识别二分类问题 ROC 曲线如何画ROC曲线 AUC 前言简介在分类任务中,人们总是喜欢基于错误率来衡量分类器任务的成功程度.错误率指的是在所有测试样例中错分的样例比例 ...
机器学习中的数学原理——F值与交叉验证
通过这篇博客,你将清晰的明白什么是F值.交叉验证.这个专栏名为白话机器学习中数学学习笔记,主要是用来分享一下我在机器学习中的学习笔记及一些感悟,也希望对你的学习有帮助哦!感兴趣的小伙伴欢迎私信或者评 ...
原创 | 一文读懂机器学习中的shapley值方法
作者:贾恩东本文约2000字,建议阅读9分钟本文为你介绍更公平分配利益权重的一种算法--Shapley值方法. 本篇文章是数据派一文读懂系列的新年第一篇原创,在这里祝贺大家新年学业有新成就,生活有新气 ...
欧几里得范数_机器学习中的范数究竟是个什么鬼？
今天说一个深度学习和机器学习里面经常出现,但是未必人人都能 get 到直观感受的概念:范数,英文名叫 norm. 1.直观感受本质上来讲,范数是用来衡量一个向量(vector)的规模的,我个人觉得中 ...
机器学习中为什么需要梯度下降_梯度下降直觉 - 机器是如何学习的
梯度下降法是一种求函数最小值的算法.在机器学习中,预测值和实际值之间的差称为误差.将所有数据点上的所有误差加在一起时称为成本. 当然,我们希望最小化代表此成本的函数 - 成本函数. 在机器学习中梯度下 ...
一文清晰讲解机器学习中梯度下降算法（包括其变式算法）
本篇文章向大家介绍梯度下降(Gradient Descent)这一特殊的优化技术,我们在机器学习中会频繁用到. 前言无论是要解决现实生活中的难题,还是要创建一款新的软件产品,我们最终的目标都是使其达 ...
当 IDENTITY_INSERT 设置为 OFF 时，不能为表 'WLog' 中的标识列插入显式值。
在使用SQLServer数据库的时候,在进行数据报错过程中,出现如下异常: 当 IDENTITY_INSERT 设置为 OFF 时,不能为表 'WLog' 中的标识列插入显式值. 当前表没有设置关联关 ...
机器学习中的precision, recall, accuracy, F值，ROC曲线
参考: 假设用机器学习方法解决某个二元分类问题,在分析比较不同模型时常看到这些指标. 四个概念:TP,FP,TN,FN TP(True Positive):在判定为positive的样本中,判断正确的 ...
ML：机器学习中与模型相关的一些常见的判断逻辑(根据自调整阈值计算阳性率)
ML:机器学习中与模型相关的一些常见的判断逻辑(根据自调整阈值计算阳性率) 目录机器学习中与模型相关的一些常见的判断逻辑(根据自调整阈值计算阳性率)

机器学习中，如何判断蕴含式值的真假？

机器学习中，如何判断蕴含式值的真假？相关推荐

最新文章

热门文章