知识卡片
一致学习靠并集界排除坏假设
若固定假设的总体错误率大于 ε,在 m 个独立样本上碰巧无误的概率不超过 (1−ε)ᵐ。有限类中逐个假设取并集界,样本数达到 (log|H|+log(1/δ))/ε 时,以至少 1−δ 的抽样概率排除所有这种坏假设。这个结论用于确实能返回零训练误差的可实现情形。
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
原书出处 · 1 处
- 第12章 计算学习理论 · 查看原书依据
此式中表示算法在用观测集训练后输出的假设函数的泛化误差PAC辨识的定义指出,如果的泛化误差不大于的概率不小于,那么称学习算法能从假设空间中PAC辨识概念类.
参考来源
- 位置:《机器学习公式详解》第12章 计算学习理论(book-source:`extracted/机器学习公式详解/_epub-src/text/part0018_split_000.html`,式(12.9))
- 结论依据:式(12.9)至(12.14)把有限假设类里碰巧零训练错的概率合并。
- 原始内容:此式中表示算法在用观测集训练后输出的假设函数的泛化误差PAC辨识的定义指出,如果的泛化误差不大于的概率不小于,那么称学习算法能从假设空间中PAC辨识概念类.