标签：优劣 映射 sum class 数学 error 重要 一点 定义
定理假设：所有“问题”出现的机会相同，或者所有问题同等重要。以及我们希望学习的真实目标函数f是均匀分布的
1.假设样本空间\(\chi\)和假设空间H，令P(h|X,\(\zeta_a\))代表算法\(\zeta_a\)基于训练数据X产生假设h的概率，再令f代表我们希望学习的真实目标函数。令\(E_{ote}\)为\(\zeta_a\)的训练集外误差产生概率的期望值(\(E_{ote}\)的下标ote指的是Off-training error)
2.令\(\Psi(.)\)表示一个特征函数，当（.）中的.为布尔值1时，\(\Psi(.)=1\)否则\(\Psi(.)=0\)
3.对假设空间H里的任何一个h来说，误差期望\(E^1\)=\(\sum_{x\in\chi-X}\)P(x)\(\Psi(h(x) \ne f(x))\)P(\(h|X,\zeta_a\))。这是因为，当h(x) = f(x)时，这样误差出现的概率并不需要算作期望值的一部分；而当\(h(x)\ne f(x)\)时，误差出现概率才需要记入。因此，我么可以得到对某一确定的真实的目标函数f而言，
? \(E_{ote}(\zeta_a|X,f)=\sum_h\sum_{x\in\chi-X}P(x)\Psi(h(x)\ne f(x))P(h|X,\zeta_a)\)
那么，相应的，可以得到对所有真实的目标函数f而言，有如下结论:
? \(\sum_{f}E_{ote}=\sum_{f}\sum_{h}\sum_{x\in\chi-X}P(x)\Psi(h(x)\ne f(x))P(h|X,\zeta_a)\)
这就是一般的学习算法\(\zeta_a\)对训练集外的所有样本以及所有真实目标函数f的误差误差概率期望
若考虑的问题是二分类问题，则目标真实函数的值域被限定在Y={0,1}上，那么f即是一个\(\chi \to {0,1}\)的映射关系，若对可能的f按照均匀分布对误差求和，则有
? \(\sum_f E_{ote}(\zeta_a|X,f)=\sum_f\sum_h\sum_{x\in\chi-X}P(x)\Psi(h(x)\ne f(x))P(h|X,\zeta_a)\)
该式子的意义是，对每个真实目标函数f而言，每个假设h，对每个训练集外的样本x求误差期望。因此也可以看作，对每个训练集外的样本x而言，它以P（x）的概率，对每个假设h，以P（h|X,\(\zeta_a\)）的概率对所有真实目标函数f求误差期望。因此得到等价的下式：
? \(\sum_fE_{ote}(\zeta_a|X,f)=\sum_{x\in\chi-X}P(x)\sum_hP(h|X,\zeta_a)\sum\Psi(h(x)\ne f(x))\)
? \(=\sum_{x\in\chi-X}P(x)\sum_hP(h|X,\zeta_a)\frac{1}{2}2^{|\chi|}\)(这一步有离散数学基础的应该都能明白)
? \(=\frac{1}{2}2^{|\chi|}\sum_{x\in\chi-X}P(x)\sum_hP(h|X,\zeta_a)\)（式子等价变形，将常数提到最前面）
? \(=2^{|\chi|-1}\sum_{x\in\chi-X}P(x)*1\) (根据\(P(h|X,\zeta_a)\)的含义可以得到这一步的化简，\(P(h,X,\zeta_a)\)指的是算法\(\zeta_a\)基于训练集X产生假设h的概率，那么对所有假设h而言自然综合就是1，这是概论了的公理化定义里包含的）
而上式二分类的特殊情形下的推导也正显示出，总误差和学习算法无关。（非二分类也可类似推导）
? NFL定理并没有否定学习算法本身的好坏。NFL定理一个重要前提是：所有“问题”出现的机会相同，或者所有“问题”同等重要。但实际情况下并不是这样。我们总是关注我们当下要解决的问题，这就不符合假设了。另外，在二分类特例下，我们假设f是均匀分布的，实际情况下也并非这样。
因此，NFL定理的本质，不是想说明学习算法没有好坏之分，而是想说明，脱离具体问题，空泛谈论什么是好的学习算法本身是毫无意义的。因为那样他们的误差期望是相同的。要讨论某个学习算法的相对优劣，必须针对具体的学习问题。在后面的机器学习过程中，这是不可忽略的一点。
标签：优劣 映射 sum class 数学 error 重要 一点 定义
原文地址：https://www.cnblogs.com/my-python-learning/p/11829548.html
