机器学习基石 Lecture7: The VC Dimension

Definition of VC Dimension

上节课所讲的N个样本分成的dichotomies数量,也就是假设函数种类的数量,的上限 m H ( N ) m_{H}(N) mH(N),小于等于上限函数 B ( N , k ) B(N,k) B(N,k)。而 B ( N , k ) B(N,k) B(N,k)可以用一个 k − 1 k-1 k1维的多项式来限制住。这个 k k k叫做Break Point。即:
在这里插入图片描述
因此VC Bound可以进一步的写为:
在这里插入图片描述
因此只要满足三点:

  1. m H ( N ) m_{H}(N) mH(N) 有Break Point k (好的假设空间 H H H)
  2. N 足够大 ⇒ \Rightarrow probably E o u t ≈ E i n E_{out} \approx E_{in} EoutEin (好的数据集 D D D
  3. 算法 A A A选择一个错误率很小的假设函数作为 g g g ⇒ \Rightarrow probably 能学到东西 (好的算法 A A A

对于一个假设空间, m H ( N ) = 2 N m_{H}(N) = 2^{N}

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值