【Machine Learning】从零开端,精晓监督学习的艺术

特别声音很轻,不认真听几乎听不见。可是一旦您听到了第一声敲门声,你就会被这么些敲门声所诱惑。

1.2 通过泛化举行概念学习

  • 怎么着是覆盖(covering)?
    假使说概念P比概念q更泛化,大家就说p覆盖q

  • 概念空间(concept space)的定义

  • 概念空间是部分隐秘的概念集合

  • 神秘概念(potential concept / candidate
    concept)是由泛化、特化等求学模式暴发的
    下图就是一个拥有如下属性和值的object的定义空间
    Size = {small, large}
    Color = {red, white, blue}
    Shape = {ball, brick, cube}

概念空间

从下至上是一个泛化的历程,比如Obj(X, Y, ball)就可以覆盖Obj(X, red,
ball)和Obj(small, X, ball)等等,这也是通过泛化就行概念学习的显示。


她及时全体人就懵了,完全不亮堂怎么做。

3.3.1 奥卡姆(Occam)剃刀(奥卡姆(Occam)(Occam)’s Razor)

Occam剃刀最早是由逻辑物经济学家威尔(Will)iam of 奥卡姆(Occam)于1324年提议的:

It is vain to do with more what can be done with less. . . . Entities
should not be multiplied beyond necessity.

简单易行点说,找到可以符合数据的最简单易行的解!

讲什么故事?张三也是个不安分的主。

3.2.4 CART

CART (Classification and Regression Trees) is very similar to C4.5, but
it differs in that it supports numerical target variables (regression)
and does not compute rule sets. CART constructs binary trees using the
feature and threshold that yield the largest information gain at each
node.

那天雨下得很大,雨刷不停的挥舞,视线仍然很不清晰,所以他开车开得很慢。

1.1 一种常见的上学模式 — 泛化(generalization)

  • 泛化的概念
  • 从集合的角度:表明式P比表明式Q更泛化,当且仅当P ⊇ Q
  • 譬如大家可以将
    排球,篮球,足球 ==(泛化为)==>球类或者运动
  • 机器学习中关键的泛化操作有:
  • 变量替换常量
  • 从合取表达式中去掉一部分条件
  • 对表达式扩大一个析取式
  • 用属性的超类替换属性

对,真的没有了。我也没听到孩子上下楼的足音,不过声音实在是无影无踪了。仿佛一贯不曾存在过千篇一律。

3.2.2 C4.5

C4.5 is the successor to ID3 and removed the restriction that features
must be categorical by dynamically defining a discrete attribute (based
on numerical variables) that partitions the continuous attribute value
into a discrete set of intervals. C4.5 converts the trained trees (i.e.
the output of the ID3 algorithm) into sets of if-then rules. These
accuracy of each rule is then evaluated to determine the order in which
they should be applied. Pruning is done by removing a rule’s
precondition if the accuracy of the rule improves without it.

自己是什么人?来人咧嘴一笑,笑得比哭还难看。大手一扔,几颗人头咕噜噜滚到庙祝脚下。

2.2.1 特殊到一般
  • 保养一个只要集S (即候选概念定义集)
  • 最特其余泛化(马克斯imally specific generalization)
    一个概念c是最特异的,倘使:
    ① 遮盖所有正例,而不掩盖反例
    ② 对于具有其他覆盖正例的定义c’, c ≤ c’

由特别到一般的探寻

于是自己就以小于市场房价10%的价位买下了这套房屋。

3.3.3 如何判定最佳分类属性

ID3算法是由Quinlan首先指出的,该算法是以信息论(Information
Theory)为根基的,ID3因而把每个属性当作当前树的根节点来度量消息增益,然后算法采纳提供最大消息增益的特性。

① 音信增益的心路标准 – (Entropy)
熵首假设指音讯的紊乱程度,变量的不确定性越大,熵的值也就越大。
变量的不确定性紧要可以反映在六个方面:

  • 或是消息的数额
    简单地说,掷硬币有二种可能消息(正面或者反面),掷筛子有六种可能消息(1,2,3,4,5,6),所以正确预测筛子的音讯对我们更有价值:掷筛子游戏赢钱更多。
  • 每条音信出现的票房价值
    简短地说,倘若我们若是对掷硬币作弊使它正面出现的几率为3/4。那么既然我一度精晓猜正面的票房价值为3/4,告诉自己掷硬币结果的消息就不如有关未作弊的硬币的音讯更有价值。(前面讲了切实测算)

综上,给定新闻空间M = {m1, m2, …..}以及相应的概率P(mi),熵的公式为:

熵的公式

未作弊和舞弊的熵总结如下:

未作弊的熵值总结

作弊后的熵值总括

为作弊熵值更大,掷硬币的音讯更有价值!!!

② 信息增益(Information Gain)
倘使有操练实例集C。假如大家经过属性P作为当下树的根结点,将把C分成子集{C1,
C2, C3 …..}。再把P当作跟结点完成树所需的消息的指望为:

成就树所需的信息的期待

据此从隶属性P拿到的增益通过树的总新闻量减去完了树的音讯期望来计算:

消息增益

抑或举信用风险的事例,P(low)=5/14,
P(moderate)=3/14,P(high)=6/14。所以总音讯量总结如下:

总消息量

要是把收入(income)作为树的根结点,表中的实例被划分为C1 = {1,4,7,11}、C2
= {2,3,12,14}和C3 = {5,6,8,9,10,13}。

决策树的一部分

形成树所需的期望值为:

姣好树所需的梦想值

最后,gain(income) = 1.531 – 0.564 = 0.967 bits
恍如的,可以博得:

属性 信息增益(bits)
gain(credit history) 0.266
gain(debt) 0.063
gain(collateral) 0.206

鉴于低收入提供了最大的新闻增益,所以ID3会采用它作为根结点。

您想干嘛!他心里生出阵阵寒意,那些戴着镜子的上班族,冷静的多少特别。

3.2.3 C5.0

C5.0 is Quinlan’s latest version release under a proprietary license. It
uses less memory and builds smaller rulesets than C4.5 while being more
accurate.

那鬼地点,竟然还有个小庙。张三心下偷偷欣喜,走进小庙,庙里一堆火,五人围着坐在火堆旁。张三打了个照顾,也坐在火堆旁。

2. 变形空间搜索

Version space search (Mitchell 1978, 1979, 1982) illustrates the
implementation of inductive learning as search through a concept
space.

简短就是从磨练实例能够生成一个概念空间,比如上图。然后再从概念空间中搜索一个能覆盖具备概念的概念。
比如上图的Obj(X, Y, Z)。

本人怒火中烧,心道:哪家的熊孩子,大半夜不睡觉啊!

2.3.2 缺点
  • 像其他搜索问题同样,基于搜索的求学总得处理问题空间的联结问题
  • 候选解排除算法是无法有噪音(noise)的

张三、李四和王五五人面面相觑,不可捉摸的望着对方,又反过来头望着庙祝。


张三望着天涯一处灯火,这鬼位置,转了半天反而离灯火越来越远了。

3.3.2 ID3算法的基本思路

给定磨炼实例集和能对它们正确分类的一组不同的决策树,我们想要知道哪棵树对前景实例正确分类的可能性最大。ID3算法假定可能最大的树是能够覆盖所有磨炼实例的最简易的决策树
注:ID3无法担保每一次都生成最小的树,只是一种启发式算法

ID3使用自顶向下决策树归咎(Top-Down Decision Tree Induction):

  • 首先确定哪一个性质作为根节点(root node)的测试
  • 慎选分类能力最好的(信息增益最大)属性,作为时下节点(current
    node)的测试
  • 用这多少个测试来划分实例集,该属性的每一个恐怕值都改为一个划分(partition)
  • 对此每一个细分重复上述过程,建立其子树
  • 截至一个分开中的所有成员在同一序列中,那么些连串成为树的叶节点(leaf
    node)

注:我们可以把具备可能的决策树集合看成是概念一个变形空间(version
space)。ID3在具有的或者树的空中中落实一种贪得无厌搜索,对现阶段树扩充一个子树,并继续寻找,而且不回溯

曾外祖父共在乡间,这时候农村不是很强盛,上午还时不时停电。然而对于小孩来说,有玩伴就好了。

2.2.3 候选解排除
  • 候选解排除法综合下面二种艺术,双向搜索
  • 维护两个候选概念集合S和G
  • 算法特化G并泛化S直到它们没有在目的概念上

Screenshot at May 04 00-40-53.png

据老人家们说,小胖子那天一到墓地,看见几点黑色的鬼火飞舞,当时就大喊一声晕过去了,直到她父母没见人,才在墓地找到他。

参考文献

  1. Artificial Intelligence,6th
    Edition
  2. 从决策树学习谈到贝叶斯分类算法、EM、HMM
  3. 机械学习经典算法详解及Python实现–决策树(Decision
    Tree)
  4. Scikit-learn
    文档

作为城里孩子,我立刻觉得自家应该像电影里面的英雄一样,帮他找到自己的布娃娃。

3.2.1 ID3

ID3 was developed in 1986 by Ross Quinlan. The algorithm creates a
multiway tree, finding for each node (i.e. in a greedy manner) the
categorical feature that will yield the largest information gain for
categorical targets. Trees are grown to their maximum size and then a
pruning step is usually applied to improve the ability of the tree to
generalise to unseen data.

下文会重点介绍ID3算法

只能又关好水龙头,重新检查了好五回,才关了厨房的灯,然后爬上床睡觉。

3. 决策树

庙祝定睛一看,三颗人头,不正是张三李四王五的啊?

2.2 二种检索概念空间的算法

特殊到一般 (specific to general)
一般到特殊 (general to specific)
候选解排除 (candidate elimination)
  • 这个算法依赖于变形空间的定义,在有更多实例时,可以减掉变形空间的轻重缓急。
  • 目标:学习到的定义不仅可以覆盖所有正例,而且能清除拥有的反例。下面讲的Obj(X,
    Y, Z)即使可以覆盖所有正例,但或许太泛化了。
  • 制止超泛化(overgeneralization)的艺术:
    • 应用尽可能小得泛化,使之只覆盖正例
    • 用反例排除超泛化了得概念
    反例在防止超泛化中的作用

睡到迷迷糊糊,又隐约听到了滴水的动静,仔细确认了将来,打开灯,打着哈欠来到了厨房。

2.2.2 一般到至极
  • 保障一个假使集G(即候选概念集合)
  • 最相似概念(马克斯imally general concept)
    一个概念c是最相似的,如果:
    ① 蒙面所有正例,而不掩盖反例
    ② 对于自由其他不掩盖反例的概念c’, c ≥ c’

下图的背景为:
size = {large, small}
color = {red, white, blue}
shape = {ball, brick, cube}
所以由第一个反例我们得以特化出:
size不能是small => obj(large, Y, Z)
color不能是red => obj(X, white, Z) 和 obj(X, blue, Z)
shape不能是brick =>obj(X, Y, ball) 和 obj(X, Y, cube)

由一般到特此外物色

自家起来,开了灯。走出卧室,走到大门前,这时,声音忽然消失了。

3.1 什么是决策树?

机器学习中,决策树是一个展望模型;他意味着的是目的属性(property)与对象值(value)之间的一种炫耀关系。树中每个节点意味着某个对象,而每个细分路径则代表的某个可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的门道所表示的靶子的值。决策树仅有纯粹输出,若欲有复数输出,可以建立单独的决策树以拍卖不同输出。
-来自 Wikipedia

  • 决策树可以分成分类树回归树,分别指向于离散变量和连续变量。
  • 再简单点说就是,建立一棵能把具备练习多少开展不易分类的树型结构。

上面举个大概的例证助于通晓。对于估算个人信用风险(risk)问题,要基于这样有些性质,比如信用历史(credit
history)、脚下债务(debt)、抵押(collateral)和收入(income)。下表列出了已知信用风险的个人的范本。

已知信用风险的村办的样书

据悉下面的音信,我们得以博得上边六个不同的决策树。

决策树 A

决策树 B

俺们可以窥见,即使两棵决策树都能对给定实例集举行正确分类,不过决策树B要比决策树A简易得多。可见,对给定实例集分类所不可或缺的树的轻重,随测试属性的逐一而不同。

二十年后,我三叔逝世,在老家举办法事。

目录##\

1. 概念学习 (concept
learning)

2. 变形空间搜索 (Version space
search)

3. 决策树 (Decision tree)


在经受了一夜的折腾之后,我算是醒了。天亮了,却照样心有余悸,那个梦太实在了,梦中的声音那么清晰,仿佛就发生在本人周围一样。

3.2 常见的树立决策树的算法

妈蛋,竟然欺负我家婴儿!鬼差狠狠地说:看自己不拿他们下十八层地狱!

2.3.1 优点
  • 候选解排除算法是增量式的(incremental),所以不同于其他的算法需要在念书从前交付所有操练实例

自身一个健步冲进厨房,开灯。

3.4 评估决策树

  • 决策树适用于离散型数据,变量的结果是个别集合。
  • 优点
    • 决策树总括复杂度不高,便于使用,高效!
    • 决策树能够处理具有不相干特征的多少。
    • 决策树可以很容易的社团出一多样易于通晓的条条框框。
  • 缺点
    • 拍卖缺失数据,坏数据的以及连续型数据的劳顿。
    • 大的数据集可能会生出很大的决策树。
    • 不经意了数据汇总属性之间的关联。
    • 过度拟合(涉及到剪枝)

精通了又能咋样,尽管你是鬼,老子照样砍了您!王五操着登山铲站起来,又无力的倒下。

3.3.4 评价ID3

虽然ID3算法发生简单的决策树(包括根结点,决策结点和叶结点),但这种树对预测未知实例的分类不见得一定有效。

刻钟候放暑假,因为家长上班的涉嫌,他们都会把自己送到乡村外祖父家里去玩。

3.3 ID3算法详解

砸墙的鸣响还陪同着一个小女孩的哭声,女孩边哭边说:放我出去!

1. 概念学习

自家先导帮女孩找布娃娃。然则找了半天始终未曾发现什么布娃娃,一贯到手电筒的灯光变暗。我大呼不佳,电池没有电了!

2.3 评估候选解排除算法

赶时间?

2.1 变形空间(version space)的概念

王五拿出登山铲,冷冷说道:你是怎么精晓的?

此处的松树,发出的浓香其实是迷药。庙祝冷冷的说。

庙祝在边缘冷笑一声,哑着嗓子说道:你们真的就是鬼吗?

王五用树枝拨弄着火舌,说道:好俗气,手机都没电了。要不讲多少个故事解闷吧!

自家的房子在十八楼,南北朝向,卧室在南方,只有东方一个小窗户采光。不过,我现在看到的房屋,南边显著有一扇开着的窗子。

您你你……庙祝突然紧张到不会讲话。

进了城,上班族带走了遗体,户外运动男挥手道别,他开着车,回到了和睦的家。

我乐意的躺下,睡了下去!

而自我,好像突然了然了何等,夺门而出,在网吧待了一个夜间。

火堆烧的很旺,还有一种若有若无的香味,张三觉得有些意外,问道:这是如何树,这么香?

愤怒的跑到厨房,打开灯,水龙头果然在滴水。

莫非是自家找的太认真了?我摸着头,一脸疑惑。

还有鬼了!我出发,开灯。在此以前有意中人打趣,是不是您惹上了外围淘气的小鬼,回家逗你玩呢?

顿时买房子的时候,我吹毛求疵的直白压价,房东尽管有点不情愿,最后如故允许了。

小胖子从此昏迷,怎么也叫不醒,后来请了村里的老道做了佛事才好转过来。

房子全部很好,就是卧室有点小,采光差了点,不过大概来说,我一度很好听了。

住进去的连夜,我就发现了反常。

用尽!庙外面一声怒吼犹如平地惊雷。

果真,大概十五分钟过后,水龙头滴水的鸣响就响了起来。

梦里,我依然在沉睡,不过我能听到有人在砸墙壁,“咚咚咚”不绝于耳。我眼睛睁不开,不领悟外面暴发了哪些,只可以听见响声。

张三和李四也意识了不规则,浑身无力。

只可以在心底告诉要好实在没什么,洗了个脸就准备上班。

第多少个故事·庙祝

自己愣在这边,女孩突然笑了,说道:我认识你,你怎么帮我找了这么久依旧尚未找到布娃娃?

您咋样您!这人粗着喉咙说道:他们曾经死了,张三大雨路滑摔死了,李四开车冲下悬崖死了,王五爬山掉下来摔了个稀巴烂。我追着他们的灵魂追了半天才把他们都过来这里。

本次,我或者关了水龙头,重新检讨完毕之后,我就关了灯。

第二天,我气愤的预备在小胖子面前认输。此外的同伙却告诉自己,小胖子病了。

有人问我为啥不写婴孩,其实这是宝贝的家当,我只是一介隔着宝宝光环围观王宝强的网友,我喷马宋六人也就是“婊子”一类的车轱辘话,其他的本人又有什么样身份去说呢?好啊,最终祝我们中元节心潮澎湃。

地面特有的松林。一个衰老而且沙哑的动静响起。一张丑陋的脸突然冒出,脸上全是伤痕,半个嘴唇如故都曾经远非了,白森森的牙齿露在外面映着熊熊燃烧的灯火,说不出的瘆人。

下了楼,我回头望了一眼自己的房间。数了几回楼层,即刻倍感如坠冰窖,整个人汗毛都快竖起来了。

一个不胜高大的人影出现在庙里,这人推断有两米以上的身高,头发脏兮兮像是几年没有洗过,竟然长着一双牛角,浑身漆黑。

黑马,身后有人拉我的行装,我转头头,一个小女孩在自己身后,怯生生的说,我布娃娃丢了,你能帮我找呢?

蓦地,他看见白影一闪,车子好像撞上了怎么东西。

若要人不知,除非己莫为。庙祝眼里闪过一丝精光。

夜幕,我刚躺下准备睡觉,就听见有打击的声息。

那段日子,我刚买了房。

没理由啊!我明明在睡眠在此之前检查过的,水龙头我已经关好了。

新任一看,一个小女孩躺在车下,手里拿着一个布娃娃。

鬼故事!

一个白影一闪而过,水龙头滴着水。

王五大大咧咧,抢着应对:老子一巴掌把小鬼的头都打掉了,怕个屁啊!

这时候,在自我在此之前,有个小胖子出了名的胆气大,是这片孩子的头脑。眼看被我抢了气候,那小胖子便约我比何人的胆量大。

一嗓子下去,万籁俱寂。整个世界立时安静了!

王五的故事讲完事后,得意洋洋的说:即使这天傍晚吓了个够呛,不过本人后来就真的就是鬼了。

一天法事完毕,已是天黑,我转着转着就走到了当时的这栋吐弃的房舍。二十年过去了,房子越来越衰败。

果不其然,卧室被人砌上了一个隔间,而其中,正是一具小女孩的尸骨。

于是交了钱的当晚,我就搬过去了。

这有怎么着?我不能丢了城里孩子的脸,当即答应下来。

自己撒腿就跑,一贯跑到有光亮的地点才截止。

特么的!我霎时就醒来了,心道,还真特么见鬼了。

自己一把吸引,朝着水池一扔,一个白衣小女孩被自己狠狠的砸在水池,女孩小脸煞白,冲我低声嘶吼。我气不打一处来,一巴掌挥过去,打在小女孩脸上,小女孩的头立即飞了出来,像篮球一样在厨房滚来滚去,最后哭着毁灭了。

有一段日子,我家里厨房的水龙头出了点毛病,平常在半夜滴水。

在那些远离城区几十海里小村子,荒无人烟,早就被政坛放任了,能迁走的都迁走了,不可能迁走的鳏夫只可以在村庄里等死。偏偏公司愿意在此处建一个别墅群,派了张三过来考察地形。遇上下雨的鬼天气,在漆黑的山里根本找不到路。

自身成了她们的头,在他们眼里,我接近无所不知。

敲门声没有了,然而这晚我或者睡得不扎实,因为自己做了噩梦。

是啊!这世界上,善恶终有报,不是不报,时候未到!这人顿了顿,咬牙切齿:我现在要去拿马蓉和宋喆这对奸夫淫妇的神魄。

您开车撞死人,他补上了最终一刀,我肩负处理尸体。上班族面无表情,进了城,我们就相互不认得了。

何以年代了!王五哈哈大笑,咱们不信。

于是乎等到夜幕低垂,我打初步电便朝着坟地进发。去坟地要透过一间破败的房舍,我原先白天的时候来过,那里没有人。这天经过的时候,忽然看见一个年级与我差不多的小女孩在这里哭。

张三被吓得不轻,李四神速笑着安抚:这是此处的庙祝,年轻时被火烧了。

女孩躺在马路上,尚有一息尚存,可是这里离城里还有几十海里,送去医院肯定来不及了。假若见死不救,这多少个小女孩的遗体肯定会被发觉,自己刚刚升职,前途一片光明。

本人要报仇!庙祝恶狠狠的说。

自家被打击声吵得睡不着,于是坐起身,仔细辨认了一下声音,听出来敲门声发声的地方较低,可能是哪家的熊孩子认错了门吧!

自己登时手脚冰冷,只感觉寒气入骨。这些小女孩眼神和二十年前的特别小女孩一般无二,即便日子这么久已经淡忘了模样,可是这种怯生生的眼神我不会忘记。

接下来拿出登山铲,对着女孩一阵狂拍。

自家之后又去找过特别女孩,然而再也尚未见过。

自我胆子大,喜欢冒险,平昔就不相信什么鬼神之说。

比的措施很简短,农村人这时候死了人都葬在联合,小胖子约我在天黑了随后去坟地走上一圈,仍能回去的,就是这么些。

怎么着时候能走出来!张三一阵火大,不顾三七二十一,径直朝着灯火走去。

小女孩的遗骸被装进了塑料袋,放进后备箱。

近了才察觉,那是山上的一处小庙。

理所当然,对于小孩而言,抢了风声不是什么好事。

开首我觉得,肯定是水管年久失修了,于是屁颠儿跑到五金市场买了一堆工具,把厨房的拥有水管都更新了。

一个下雨的夜幕,他一个人开车回城里,路上,他又载了一个欢喜户外运动的老公和此外一个失去了最终班车的上班族。

当成日了狗了!张三单向咒骂一边赶路,早就在心底把自己的总裁骂了十万八千遍,这个鬼天气,竟然派自己到荒山野岭考察项目。

自我走上前,女孩哭着说,我找不到自我布娃娃了,这下四姨知道了,肯定要打我的!

自家只可以关了灯,又爬上床准备就寝。

前些天是七月半中元节,鬼门关开,百鬼夜行!庙祝沙哑的响声不合时宜的响起。

庙祝丑陋的脸孔抽搐了眨眼间间,说道:我有个故事,你们要听吗?

本人在一群乡村孩子面前可以吹嘘自己在城池里的见闻,说他俩并未见过的汽车,火车和飞机。他们睁着大双目一脸向往。

你们知道,一个人在都市里打拼,买套房屋不便于,固然是二手的,我也认为自己很巨大了。

本次也不例外,可是,当自己摸到后脑勺的时候,登时赶到背后发凉,手上进一步冰冷一片,仿佛摸到了一块冰块,顿时倍感阵阵毛骨悚然。

自我有个小动作,思考的时候喜欢摸后脑勺。

然则,就在这天半夜,我要么听到了滴水的音响。

古铜色肌肤的壮汉是王五,通过旁边放着的登山包就清楚,这厮肯定是个登山爱好者。他就是说在山里跟队友走散了,才来到了此地。

假诺这扇窗户是开着的,那么我的卧室相对不容许采光这么差。想到这里,我哆哆嗦嗦拿出手机报了警。

“鬼即使可怕,但更可怕的是人心。”

莫不是我真正忘记关了?我有些狐疑的摸了摸自己的后脑勺。

只是这一次自己从没睡眠,我只是关所有的灯,然后躲在厨房外面,只等水龙头滴水的声响响起,立即冲进去看看到底。

中途上车的户外运动男突然下车,说了句,交给自己!

庙祝眼里滑过泪水,喃喃的说:外孙女,看本身为您报仇!

本人从猫眼里望出去,外面一片漆黑,使劲跺一脚,楼道的声控灯亮起来,依然空无一物。

不掌握是不是时来运作,一路畅行,竟然离灯火越来越近。

果不其然,水龙头又在滴水了。

敲门声又响起来了!

听着!上班族说:这里没有监督,没有录像头,前几天下了这般大的雨,什么痕迹也不会留给。没人会精通这里发出了怎么样事情,只有我们两人掌握。

张三这才顺了顺呼吸,对着庙祝点头致意。庙祝微笑问好,半个嘴唇扯出一个弧度,看的张三背后发凉。

于是扯着嗓子就是一声吼:何人啊!找死啊!

先是个故事·张三

本人乐不可支的看着和谐的杰作,心想,这下应该不会半夜滴水了啊!

您是什么人?庙祝望着来人,心里很不踏实。

咋样情况?我环顾四周,空无一人,也并未猫什么的小动物。

相互之间通了姓名,这一个戴眼镜,一脸斯文的是李四,本来是从老家回城里,开车到中途,车坏了,手机没电联系不上救援队,加上气候糟糕又下雨,看见这里有灯火就走了还原。

其次个故事·李四

报你个大头鬼!你十年前为了救你孙女就被大火烧死了。一块跟我重回吗!我赶时间。

其多少个故事·王五

奇了怪了!我小声嘀咕。没理由啊!刚刚明明听见了声音。

外出的时候觉得去一趟坟地,所以并未带备用电池。正想跟小女孩说对不起,却听到外祖父在喊我回家。想洗手不干和女孩道别,却发现女孩已经不见了踪影。