第四讲 机器学习的可行性

 

一、Hoeffding's Inequality

\(P[\left | \nu -\mu  \right |>\epsilon ] \leq 2exp(-2\epsilon^{2}N)\)　　　　　　　　　　　　　　(1)

in-sample error, 也就是在样本里出现的error，\(E_{in}\) is probably close to out-of-sample error \(E_{out}\) (within \(\epsilon\))

推出一个类似的公式： \(P[\left | E_{in} - E_{out}  \right |>\epsilon ] \leq 2exp(-2\epsilon^{2}N)\)　　　　(2)

 

也就是说，公式（2）说明了问题可以学习的两个条件：

（1）\( E_{in} \approx E_{out}\) ：这个代表 \( E_{out}\) 要和 \( E_{in}\)差不多大

（2）\( E_{in}(h) \approx 0\) ：这个代表\( E_{in}\)要差不多是0

这就推出，\( h \approx f\)  with respect to \(P\)

 

我们的学习思路就是，从一些hypothesis set 中找到最好的 \(h\)，使得\( h \approx f\) 

二、真实的学习

面对多个\( h \) 时，容易出现问题。

BAD Sample：\( E_{in} and E_{out} \) far away

那么，Bad Sample的概率有多大呢？我们认为，在众多的hypothesis set上的每一个\(h_{i}\)，只要有一个是坏的，则都是坏的

\(P_{\mathfrak{D}}\left [ BAD   \mathfrak{D} \right ]  \)

\( = P_{\mathfrak{D}}\left [ BAD  \mathfrak{D}  for   h_{1} or  BAD   \mathfrak{D}  for  h_{2}  or ...  or  BAD  \mathfrak{D}  for  h_{M} \right ] \) 

\( \leq P_{D} \left [ BAD  D for  h_{1} \right ] + P_{D} \left [ BAD  D for h_{2} \right] + ... +  P_{D} \left [ BAD  D for h_{M} \right] \)

(\( Union Bound \))

\( \leq 2exp(-2\epsilon^2N) + 2exp(-2\epsilon^2N) + ... + 2exp(-2\epsilon^2N) \)

\( = 2M\cdot exp(-2\epsilon^2N)\)

 

当hypothesis set为有限时，（\( M\) 固定），当\(N\)足够大时，因为后面的\(exp(-2\epsilon^2N)\) 随着\(N\)增大会变得特别小，故总体值是很小的。

此时学习是有效的。

 

当hypothesis set 为无穷大时，\( M = \infty \)  则有问题了，具体问题下一部分讨论。