类比学习

类比是人认识世界的一种重要方法，亦是诱导人们学习新事物、进行创造性思维的重要手段。

简介类比学习就是通过类比,即通过对相似事物进行比较所进行的一种学习1。

原理类比学习的基础是类比推理。所谓类比推理，就是指由新情况与记忆中的已知情况在某些方面类似，从而推出它们在其他方面也相似。显然类比推理就是在两个相似域之间进行的:

已经认识的域。它包括过去曾经解决过且与当前问题类似的问题及相关知识,称为源域或者基(类比源)，记为S。

当前尚未完全认识的域。它是遇到的新问题，称为目标域，记为T。类比推理的目的就是从S中选出与当前问题最近似的问题以及求解方法来求解当前的问题,或者建立目标域中已有命题间的联系，形成新知识。

类比学习方法类比学习方法通常有属性类比学习和转换类比学习两种。

派生类比学习于1986年，J.G.Carbonell提出了派生类比学习(DerivationalAnalogy)系统,它解决多步任务,在传统类比方法中，不记录解法的生成过程，只记录最后生成的算法。而在派生类比系统中,不仅记录最后的解法，而且记录与解法有关的信息，这样系统遇到困难时，可以对某个解法的生成过程进行深层分析，查明原因，根据新的条件，改造新解法。所以，派生类比方法比传统方法具有更强的智能，这种技术也为在专家系统中进行基于事件推理(Case-Based Reasoning)提供了一个有利机制。

但是派生类比方法需要对问题解法生成过程进行分析，因此必然要降低解体效率。同时,这种分析涉及领域知识，增加了问题的复杂性。所以需要在进一步实现中对这种方法进行检验、修改和完善。

当前类比学习模拟的主要困难是基(类比源)的联想，即给定一个目标域,再从无数个错综复杂的结构中找出一个或数个候选的基。在当前实际应用中，基都是由用户给出的,这实际上决定了机器只能重复人们已知的类比,而不能帮助人们学到什么。

举例最典型的类比学习方法是K-最近邻方法（k-Nearest Neighbor，KNN），它属于懒散学习法，相比决策树2等急切学习法，具有训练时间短，但分类时间长的特点。K-最近邻算法可以用于分类和聚类中3。

基于案例的学习方法可以应用到数据挖掘的分类中。基于案例学习的分类计数的基本思想是：当对一个新案例进行分类时，通过检查已有的训练案例找出相同或者相近的案例，然后根据这些案例提出这个新案例的可能解。利用案例学习来进行数据挖掘的分类必须要解决案例的相似度度量，训练案例的选取以及利用案例生成新案例的组合解等相关问题，并且它们也是当前研究的主要问题。

这种思路非常简单，当预测未来情况或进行正确分类时，系统寻找与现有情况类似的事例，并选择最佳的相同的解决方案，这种方法能用于很多问题的求解，并获得好的结果，其缺点是系统不能生成汇总过去经验的模块或规则。

本词条内容贡献者为:

王沛 - 副教授、副研究员 - 中国科学院工程热物理研究所