特化是什么？从一般到具体，让概念描述变得更严格

特化（Specialization）是与泛化（Generalization）相对的一个概念。在机器学习，尤其是早期的概念学习和归纳逻辑中，特化指的是把一个较为一般的假设，修改为一个更加具体、覆盖范围更小的假设。简单地说，泛化是“放宽条件”，让描述适用于更多的情况；特化是“收紧条件”，让描述适用于更少的情况。

在概念学习中

概念学习是机器学习中一个经典的问题：根据一些正例和反例，学习出一个概念的描述。比如要学习“什么样的日子适合户外运动”，已知一些日子的天气情况，比如晴朗程度、温度、湿度、风力，以及那天是否适合运动。学习的目标是找到一个规则，能正确地把所有适合运动的日子和不适合的日子区分开。

在学习的过程中，我们会不断地修改假设。如果当前的假设太“宽”，把某个反例也错误地包括了进来，就需要对它进行特化。比如当前的假设是“晴天就适合运动”，但发现有一个晴天、风很大的日子并不适合运动，于是把假设特化为“晴天并且风力不大就适合运动”。特化的常用方法有：增加新的条件，就像上面的例子；缩小某个属性的取值范围，比如从“温度适中或偏高”改为“温度适中”；把一个泛泛的值替换为具体的值。

反过来，如果当前的假设太“窄”，没有覆盖某个正例，就需要进行泛化，比如去掉一些条件、扩大取值的范围。

假设空间的一般到特殊的偏序

在概念学习中，所有可能的假设可以按照“一般”和“特殊”的程度排列起来，形成一个层次结构：最一般的假设覆盖所有的情况，比如“任何日子都适合运动”；最特殊的假设不覆盖任何情况。一个假设比另一个假设更一般，意味着它覆盖的情况包含了后者覆盖的全部情况。很多经典的学习算法就是沿着这个层次结构进行搜索的。比如 Find-S 算法从最特殊的假设出发，每遇到一个正例就进行最小程度的泛化。Tom Mitchell 在 1977 年提出的候选消除算法则同时维护两个边界：最特殊的假设集合和最一般的假设集合，遇到正例时对特殊边界进行泛化，遇到反例时对一般边界进行特化，两个边界之间的所有假设构成了“变型空间”，也就是与所有已见数据都一致的假设集合。

在决策树和规则学习中

决策树的生长过程，本质上就是一个不断特化的过程：从根节点开始，所有样本都在一起，每一次分裂都增加一个条件，把样本划分得更细，节点所代表的规则也变得越来越具体。而剪枝则相当于泛化，去掉一些过于具体的条件，避免过拟合。规则学习算法中，常见的“自顶向下”策略也是从一个很一般的规则出发，逐步添加条件进行特化，直到规则足够准确。

其他领域中的特化

在面向对象编程中，特化指的是从一个一般的类派生出更具体的子类，比如从“动物”类特化出“狗”类，子类继承了父类的特征，又增加了自己特有的属性和行为。在知识表示和本体中，也有类似的概念上下位关系。在 C++ 等语言的模板编程中，“模板特化”指为某些特定的类型提供专门的实现。在机器学习的迁移学习中，有时也把把一个通用的预训练模型调整为适用于某个具体任务或领域，称为特化。