知识卡片
无免费午餐依赖均匀目标
训练集外的误差把未见输入按出现概率加权,并对学习器可能输出的预测规则再做平均。在有限二分类样本空间,把所有标记函数均匀计入。固定训练集输入、待测点和某个预测标签,目标函数恰有一半在此点给出相反标签。因而对全体目标函数求和后,学习器选择哪种预测无法改变这一项。真实问题中若光滑、线性等目标结构更常见,这个均匀计数前提便不成立。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 绪论
原书出处 · 1 处
- 第1章 绪论 · 查看原书依据
②③:首先要知道此时我们假设是任何能将样本映射到{0,1}的函数.存在不止一个时,服从均匀分布,即每个出现的概率相等.例如样本空间只有两个样本时,.那么所有可能的真实目标函数如下:
参考来源
- 位置:《机器学习公式详解》第1章 绪论(book-source:`extracted/机器学习公式详解/_epub-src/text/part0007.html`,式(1.2))
- 结论依据:式(1.2)将平均错误化为每个待测点上的错配计数。
- 原始内容:②③:首先要知道此时我们假设是任何能将样本映射到{0,1}的函数.存在不止一个时,服从均匀分布,即每个出现的概率相等.例如样本空间只有两个样本时,.那么所有可能的真实目标函数如下: