机器学习中假设函数泛化能力的验证(上)
来源:互联网 发布:linux 启动openoffice 编辑:程序博客网 时间:2024/05/22 10:33
机器学习是通过现有的资料学习出一种假设函数,让这个假设函数尽可能的接近真实的函数。
那么我们如何验证假设函数与真是函数之间的关系?
对于一份验证数据D,我们把学习得到的假设函数h(x)应用到D上,会得到一个错误率。我们希望这个错误率与真实情况的错误率是接近的,这样当h(x)在我们所看到的资料上的错误率很低的时候,它在真实情况下的错误率也会很小。
原理就是霍夫丁不等式:
hoeffding 告诉我们,v是样本中事件A发生的比例,u是真实情况事件A发生的概率,那么这两个值相差很大的情况发生的概率是小于一个值的,而且这个值与样本数量有关系。
那么对于一个假设函数h(x),当验证集也就是样本的规模很大的情况下。它的错误率接近真实情况。
然而我们要从多个h(x)中选择一个最好也就是错误率最小的作为g(x),那么我们怎么保证在多个h(x)中每一个的误差率
bad d 就是说,
这样我们就可以通过机器学习的算法在有限的H(x)中选择一个恰当的h(x),它的
那么对于无穷的H(x)怎么办下次再讲。
我们注意到对于两个h(x)=sign(x), h(x) = sign(-x) 这两个的BAD D 是一样的因为只是翻转一下,正的变负,负的变正。
0 0
- 机器学习中假设函数泛化能力的验证(上)
- 机器学习中假设函数泛化能力的验证(下)
- 机器学习-泛化能力笔记
- 机器学习中对假设的评价
- 神经网络的泛化能力、学习速率
- 思考深度学习的泛化能力
- 机器学习:线性回归的基本假设
- 机器学习---假设的评估问题
- 机器学习(二) - - 假设空间
- 机器学习笔记(二)假设空间
- 斯坦福大学机器学习笔记——当训练模型性能不好时的措施(假设评估、模型选择和交叉验证集、正则化、学习曲线)
- 整理:统计学习-1(续)泛化能力
- 《统计学习方法》学习笔记(2)--模型选择、泛化能力
- 为什么机器学习中, 要假设我们的数据是独立同分布的
- 核函数在机器学习上的
- 泛化能力
- 机器学习之最小二乘法:背后的假设和原理
- 机器学习要点(三):模型泛化相关
- [LeetCode] 3. Longest Substring Without Repeating Characters
- 查看并杀掉tomcat进程
- 从JSP页面里传数据到SpringMVC中的Controller处理
- Boost.Function
- 关于solr5版本的部署报错:java.lang.NoSuchMethodError: javax.servlet.ServletInputStream.isFinished()Z
- 机器学习中假设函数泛化能力的验证(上)
- 防止按钮连续点击
- PHP图片上传程序(完整版)
- Object Animator和Tween Animation
- javascript中的return
- activiti如何在MySQL中创表
- 反射略识
- socket编程总结(六) / int socket(int domain, int type, int protocol)
- 仓库盘点的四大方法和盘点流程