Foundation of Machine Learning 笔记第三部分——Guarantees for Finite Hypothesis Sets in Inconsistent Case
来源:互联网 发布:windows图片查看器修复 编辑:程序博客网 时间:2024/06/18 14:40
前言
注意事项:
- 这个系列的文章虽然题为书本《Foundation of Machine Learning》的读书笔记,但实际我是直接对书本的部分内容进行了个人翻译,如果这个行为有不妥当的地方,敬请告知。
- 由于知识面限制,部分名词的翻译可能存在错误,部分难以翻译的名词保留英文原词。为了防止误导大家,在这里声明本文仅供参考。
- 本文基本翻译自《Foundation of Machine Learning》的2.3节。
正文
在大多数情况下,假设集
为了从更加通用的背景中推导学习保证,我们将使用 Hoeffding 不等式进行证明。
定理 D.1 Hoeffding 不等式
证明 Hoeffding 不等式的证明偏离了这一章的中心,请详见该书附录。
推论 2.1
固定且使
证明
则推论得证。
使
推论 2.2 泛化限制——单一假设
固定一个假设
证明 根据
定理 2.2 Learning bound ——有限 H ,不一致的情况
设
证明 设
因此,对于一个有限的假设集
要注意的是,这个上限告诉我们应该去权衡经验误差和假设集大小:一个大的假设集会被后者惩罚,但是也能够降低前者。但是当经验误差变化不大的时候,我们往往应该使用更小的假设集。这可以看做是所谓的奥卡姆剃刀原则 ( Ocaam’s Razor principle ) 的一个例子。
我的疑惑
定理2.2不能说明不一致的学习问题满足上一节中说到的 PAC 可学习的要求,事实上定理2.2说明的仅仅是:在样本量增多的情况下,任意一个假设的训练误差都会越来越逼近泛化误差。其实这种学习问题根本就不满足前面说到的 PAC 学习,那么它的泛化误差是否满足某种其他上限呢?答案是肯定的。
为了把 PAC 学习框架拓展到这类问题上,人们把 PAC 学习的要求放松了,定义了一种新的 PAC 学习框架:不可知 PAC 学习 ( Agnostic PAC-learning )。它的定义将在本书的下一部分被提出来,在下一篇博客中,我也会尝试去证明不一致情况学习问题满足不可知 PAC 学习。
- Foundation of Machine Learning 笔记第三部分——Guarantees for Finite Hypothesis Sets in Inconsistent Case
- Foundation of Machine Learning 笔记第二部分——Guarantees for Finite Hypothesis Sets in Consistent Case
- Foundation of Machine Learning 笔记第一部分——PAC学习框架
- Foundation of Machine Learning 笔记第五部分 (1) —— Rademacher Complexity 和 VC 维
- Foundation of Machine Learning 笔记第五部分 (2) —— Rademacher Complexity 和 VC 维
- Foundation of Machine Learning 笔记第六部分——成长函数
- Foundation of Machine Learning 笔记第七部分—— VC维
- Foundation of Machine Learning 笔记第四部分 —— Generalities 以及对不一致假设集的PAC学习证明
- three sets in machine learning
- Machine Learning Foundation Lecture 03 Type Of Learning 学习笔记
- Machine Learning Foundation Lecture 04 Feasuibility of learning 学习笔记
- Machine Learning Foundation Lecture 06 Theory of Generalization学习笔记
- Machine Learning - Advice for Applying ML: Evaluating a hypothesis
- 【Machine Learning】笔记:Train/Validation/Test Sets
- 有限状态机—— FSM(finite-state machine)
- 有限状态机——The finite state machine
- Test of Hypothesis(假设检验) Case Study - in the Context of Software Industry
- Machine Learning Foundation Lecure 01 The Learning Problem 学习笔记
- 业务需求、用户需求和功能需求
- Android camera生成bmp格式的图片
- OAuth的机制原理讲解及开发流程
- 【前端】Modernizr——为HTML5和CSS3而生,及Modernizr的介绍和使用
- java嵌套死锁
- Foundation of Machine Learning 笔记第三部分——Guarantees for Finite Hypothesis Sets in Inconsistent Case
- ubuntu下手工切换低版本GCC
- unix 环境高级编程4
- jQuery的属性与样式之样式操作.css()
- AI学习之路(18): 会话管理
- 【codeforces 782B】The Meeting Place Cannot Be Changed
- Weex入门学习---环境搭建
- 路由器
- java中循环遍历