机器为什么可以学习---一般化理论

Posted 2020-08-29 罐装可乐

1、课程内容

 　　上节课中针对hypothesis set的分类问题，我们引入了成长函数，表示在数据集D上的hypothesis set可以分成种类的最大值，希望可以使用m_H(N)来替代霍夫丁不等式中的M，如果m_H(N)存在一个break point使得m_H(N)的成长速度很慢是否一定可以使用m_H(N)来替代M？

　　上次课讨论了break point 的意义即：当存在break point时hypothesis set可以被分成有限类，同时说明了霍夫丁不等式在M为一个多项式级别下依然成立，因此继续讨论在存在break point的情况下，使用最小的break point作为参数K，输入数据规模为参数N，谈论在此情况下hypothesis set 的分类的极限为小于多项式的增长率，得出bound function的计算公式，B(N, K) = B(N-1, K-1) + B(N - 1, K)，此时霍夫丁不等式成立，学习存在可能，最后给出了霍夫丁不等式的一般情况。

2、break point的限制

　　当break point的最小值在k时，可以有什么限制？

　　

　　当k=2时，

　　输入数据个数为1时，m^H(N)必然等于2，因为只有1个数据输入要shatted两个数据，那么一个必然可以shatted，因此dichotomy set的规模最大就是2；

　　输入数据个数为2时，根据break point的定义可以知道dichotomy set的规模必然小于2²；

　　输入数据个数为3时，根据图形化的推导可以知道m^H(N) = 4；

　　因此对于N>k的情况下，break point严格限制了m^H(N)的最大值，此时我们不在考虑特定的hypothesis set，因为分析时并没有指出特定的hypothesis set；会不会有这样的情况出现？

　　

　　

3、bound function：成长函数在break point = k时， m^H(N) 的最大值

　　bound function考虑的是：给定输入数据的规模后，按照数据规模生成O和X的向量组合，根据这2^N个向量判断在给定break point的情况下判断最大的dichotomy set的最大值，这就是在给定数据规模、给定break point的情况下，hypothesis set可以被分成最大的类的数量。

　　

　　

　　这样做的好处就是，在计算bound function时并不需要考虑特定的hypothesis set，也就是说只要输入数据规模和break point一定那么无论hypothesis set是何种规模，那么其分类的最大值不会超过bound function：

　　

　　现在的目标更新成：bound function 是一个多项式级别的：

　　

　　下面对boundfunction表进行填表：

　　

　　根据已知的当k = 1时，所有的数据输入bound function为1，而当N < K 时表示所有的dichotomy set 必然可以被shatter，那么bound function就是2^N，依据上述已知的情况可以进行填写部分表格；

　　

　　当N == k时，因为等于k时不能shatter，那么就让可以在k时的shatter的情况-1，即 2^N - 1；

　　继续计算表格的剩余的部分，计算B(4, 3)时能不能通过B(3, x)来计算？

　　首先列出B(4, 3)的11个解：

　　    

　　经过对解进行整理发现有8个除了x₄之外，其他的数据存在相同的部分，因此可以写成：

　　B(4, 3) = 2α + β;

　　

　　最后完整的table：

　　

　　最后bound function的上限就是：

　　

　　该上限的最大次项为N^k-1

5、霍夫丁不等式的一般化

　　

　　能不能直接使用已经证明了的m_H(N)来替换M，不能，更一般的替代如下所示：替代条件为当N足够大时；

　　

　　该不等式的证明不了解了。