الگوریتم های یادگیري ماشین که در حوزه کلاسبندي نمونه ها ارائه شدهاند با توجه به مجموعه خصوصیات نمونه هـا, آنهـا را در کلاس مربوطه دستهبندي میکنند. به همین دلیل این الگوریتمها وابستگی شدیدي به زبان نمایش نمونهها یا همـان مجموعـه خصوصیات دارند که در صورت ضعیف بودن این زبان نتایج کلاسبندي از دقت بسیار پایینی برخوردار خواهـد بـود. بـراي حـل این مشکل روشهاي استقراي سازنده در جهت بهبود فضاي نمایش نمو ها و در نهایت افزایش دقت یادگیري معرفی شدهاند. این مقاله به بررسی انواع مختلفی از این روشها اختصاص دارد که هـدف اصـلی آن شناسـایی کاسـتیها و مشـکلات موجـود در روشهاي استقراي سازنده است. براي اینکه بتوانیم ارزیابی درستی از این روشها داشته باشیم چنـدین معیـار مهـم و کلـی بیـان شده است. نتیجه حاصله از بررسی بیانگر این موضوع است که در صورت عمومیـت بخشـی بـه روشـهاي موجـود مـیتـوان بـه روش های جامع تر و دقیق تری دست یافت.
