1.3假設空間
    歸納(induction)與演繹(deduction)是科學推理的兩大基本手段．前者是從特殊到一般的“泛化”(generalization)過程，即從具體的事實歸結出一般性規(guī)律；后者則是從一般到特殊的“特化”(specialization)過程，即從基礎原理推演出具體狀況．例如，在數學公理系統中，基于一組公理和推理規(guī)則推導出與之相洽的定理，這是演繹；而“從樣例中學習”顯然是一個歸納的過程，因此亦稱“歸納學習”(inductive learning).
　　歸納學習有狹義與廣義之分，廣義的歸納學習大體相當于從樣例中學習，而狹義的歸納學習則要求從訓練數據中學得概念(concept)，因此亦稱為“概念學習”或“概念形成”，概念學習技術目前研究、應用都比較少，因為要學得泛化性能好且語義明確的概念實在太困難了，現實常用的技術大多是產生“黑箱”模型．然而，對概念學習有所了解，有助于理解機器學習的一些基礎思想，概念學習中最基本的是布爾概念學習，即對“是”“不是”這樣的可表示為0/1布爾值的目標概念的學習，舉一個簡單的例子，假定我們獲得了這樣一個訓練數據集： 這里要學習的目標是“好瓜”，暫且假設“好瓜”可由“色澤”“根蒂”
　　“敲聲”這三個因素完全確定，換言之，只要某個瓜的這三個屬性取值明確了，我們就能判斷出它是不是好瓜．于是，我們學得的將是，好瓜是某種色澤、某種根蒂、某種敲聲的瓜”這樣的概念，用布爾表達式寫出來則是“好瓜Hf色更一般的情況是考慮霽  澤=?）^（根蒂=?）^（敲聲：？）”，這里“？”表示尚未確定的取值，而我們的任如(A^B)V(G^D)的才J合范式    務就是通過對表1.1的訓練集進行學習，把“？”確定下來．讀者可能馬上發(fā)現，表1.1第一行：“（色澤=青綠）^（根蒂：蜷縮）八（敲聲=濁響）”不就是好瓜嗎？是的，但這是一個已見過的瓜，別忘了我們學習的目的是“泛化”，即通過對訓練集中瓜的學習以獲得對沒見過的瓜進行判斷的能力．如果僅僅把訓練集中的瓜“記住”，今后再見到一模一樣的瓜當然可判斷，但是，對沒見過的瓜，例如“（色澤=淺白）八（根蒂=蜷縮）八（敲聲=濁響）”