标签：先来 条件 ble 机器学习 假设 期望 描述 存在 att
抄袭/参考资料
1.Hoeffiding不等式
2.与学习的联系：单个假设
3.与学习的联系：多个假设
4.学习的可行性：两个核心条件
5.Growth Function
6.Break Point 和 Shatter
7.VC Bound
8.VC Dimension
\(N\)：样本量
\(v\)：样本均值
\(u\)：总体均值
\[
P\left [ v-u\geqslant \varepsilon \right ]\leqslant e^{-2\varepsilon ^{2}N}\P\left [ |v-u|\geqslant \varepsilon \right ]\leqslant 2e^{-2\varepsilon ^{2}N}
\]
| 符号 | 描述说明 |
|---|---|
| \(H\) | 该机器学习方法的假设空间 |
| \(g\) | 表示我们求解的用来预测的假设(\(g\)属于\(H\)) |
| \(f\) | 理想的方案(可以是一个函数，也可以是一个分布) |
| \(D\) | 样本集 |
| \(N\) | 样本量 |
| \(A\) | 算法 |
机器学习的过程就是：通过算法 \(A\)，在假设空间 \(H\) 中，根据样本集 \(D\)，选择最好的假设作为 \(g\) ，选择标准是 \(g\) 近似于 \(f\)
设定，\(h(x)\)是我们预估得到的某一个目标函数，\(h(x)\)是假设空间\(H\)中的一个假说。
基于hoeffding不等式，可得到下面公式，当样本量\(N\)足够大时，\({E_{out}}(h)\)和\({E_{in}}(h)\)将非常接近
\[ P\left [ |{E_{out}}(h)-{E_{in}}(h)|\geqslant \varepsilon \right ]\leqslant e^{-2\varepsilon ^{2}N} \]
注意在上面推导中，我们是针对某一个特定的解\(h(x)\)。在我们的假设空间\(H?\)中，往往有很多个假设函数(甚至于无穷多个)
让我们先来理解下单个假设\(h\)的上限，其公式中的\(2e^{-2\varepsilon ^{2}N}\)（超出我们设定的 \(\varepsilon\) 的样本集就是坏样本）就是这个假设h遇上坏样本的上限（上限只是最坏的打算，大部分情况不会达到上限 ）
当多个假设存在，我们希望任意选择一个\(h\)都是没问题的，此时就需要标注出所有的坏数据集情况（对任意一个\(h\)是坏的，我就标注它是坏的）。那么我们任意选择一个\(h\)后 遇上坏样本的上限：就是所有\(h\)遇上坏样本的上限的并集。
任意选择一个\(h\)后 遇上坏样本的上限 如下图所示，但有个新问题，就是我们没法计算交集部分的大小（反正我不会）
注：灰色部分是每个\(h\)遇上坏样本的上限，而彩色部分是实际的概率
既然无法计算，但我们却知道每个单独的\(h\)遇上坏样本的上限：\(2e^{-2\varepsilon ^{2}N}\)，既然这样，我们只能计算其上限的上限了，交集就只剩简单的加法了
好，公式推导如下
我们根据样本集\(D\)，随机从假设空间\(H\)(假设有\(M\)个假设)中选取一个\(h\)，都会满足下面的公式
\[ P\left [ |{E_{out}}(h)-{E_{in}}(h)|\geqslant \varepsilon \right ]\leqslant Me^{-2\varepsilon ^{2}N} \]
\[ P\left [ |{E_{out}}(h)-{E_{in}}(h)|\geqslant \varepsilon \right ]\leqslant Me^{-2\varepsilon ^{2}N} \]
根据上一节得到的公式，我们得到学习可行的两个条件：
上面这两个核心条件，也正好对应着test和train这两个过程。train过程希望损失期望(即\({E_{in}}(h)\) )尽可能小；test过程希望在真实环境中的损失期望也尽可能小，即\({E_{in}}(h)\)接近于\({E_{out}}(h)\)
证明了学习的可行后（满足两个核心条件），新问题又来了：\(M\)的大小！
| 条件一 | 条件二 | |
|---|---|---|
| \(M\)太小 | 容易满足\({E_{out}}(h)\)约等于\({E_{in}}(h)\) | 不容易找到一个\({E_{in}}(h)\)足够小的 |
| \(M\)太大 | 不同意满足 | 选择多了，容易找到\({E_{in}}(h)\)足够小的 |
对于一个假设空间，\(M\)可能是无穷大的。要能够继续推导下去，那么有一个直观的思路，能否找到一个有限的因子 \(m_H\) 来替代不等式bound中的\(M\).
\[ P\left [ |{E_{out}}(h)-{E_{in}}(h)|\geqslant \varepsilon \right ]\leqslant 2 m_{H}e^{-2\varepsilon ^{2}N} \]
在第三节中，我们把每个假设的代价都做了独立分离，但实际它们都是有重叠的部分，其中有一些甚至是完全重叠，我们可以把几乎重叠的假设归为一类，但把所有假设归类后，我们就能得到有效的假设数量Effective Number of Hypotheses——\(m_H\)
将所有假设进行分类的依据又是什么呢？答案就在样本集\(D\)，例如在\(H\)有两个假设（\(M\)中的两个，废话），它们作用于样本集后，得出的结果一致，我们就可以将它们两归为一类；反过来讲，根据样本集\(D\)我们能得出这一类的假设（\(m_H\)的一个）。
所以，\(m_H\)是一个比M小很多的数，而且它会是个根据样本集\(D\)数量\(N\)呈多项式增长的数，它的增长公式称为**成长公式Growth Function*
\[ P\left [ |{E_{out}}(h)-{E_{in}}(h)|\geqslant \varepsilon \right ]\leqslant 2\cdot {effective}(N) e^{-2\varepsilon ^{2}N} \]
成长公式的解释还没想好，就这样，next.
反正随着\(N\)增长，遇上坏样本的上限\(2\cdot {effective}(N) e^{-2\varepsilon ^{2}N}\)中一个是跟着多项式增长，一个跟着指数下降，指数必然打败多项式，所以总的来说随着\(N\)的增长，我们遇上坏样本的概率就会越来越低，\({E_{out}}(h)\)也就会越接近\({E_{in}}(h)\). That‘s good！
先切断一些，看看两个概念：shatter 和 break point.
Shatter的概念：当假设空间\(H\)作用于\(N\)个样本时，产生的dichotomies数量（二分类）等于这\(N\)个点总的组合数\(2N\) 时，就称：这\(N\)个样本被\(H\)给shatter.掉了。
要注意到 shatter 的原意是“打碎”，在此指“\(N\)个点的所有(碎片般的)可能情形都被\(H\)产生了”。所以\({m_H}(N)=2N\) 的情形是即为“shatter”。
Break Point的概念：对于给定的成长函数\({m_H}(N)\)，从\(N=1\)出发，\(N\)慢慢变大，当增大到\(k\)时，出现\({m_H}(N)<2k\)的情形，则我们说k是该成长函数的break poin.
当\(N\)的数量大于\(k\)时，\(H\)都没有办法再shatter他们了。
有了Break Point的概念后，如果break point存在（有限的正整数），对与任意的样本集，我们都可以得到成长函数的上界，经过推导可得：
\[ m_{H}(N)=\sum_{i=0}^{k-1}\binom{N}{i} \]
多项式增长！ 多项式的最高幂次项为：$ N^{k–1} $.
很开心，终于圆会Growth Function那一节的结论。
阶段性成果：能否用\({m_H}(N)\)直接替换M?
既然得到了\(m(N)\)的多项式上界，我们希望对之前的不等式中\(M\) 进行替换，用\(m_H(N)\)来替换\(M\)。这样替换后，当break point存在时，N足够大时，该上界是有限的。
然而直接替换是存在问题的，主要问题是：\(E_{in}\)的可能取值是有限个的，但\(E_{out}\)的可能取值是无限的。可以通过将\(E_{out}\)替换为验证集(verification set) 的\(E_{in}\) 来解决这个问题。 下面是推导过程：
最后，VC维！暂时不想写，再理理！
标签：先来 条件 ble 机器学习 假设 期望 描述 存在 att
原文地址：https://www.cnblogs.com/stream886/p/10052218.html
