Learning theory by Zhangtong (2-1)

3.1 PAC learning

• 只针对concept class:布尔值函数

• 针对concept class里面的任意函数和任意数据集，可以在多项式复杂度下把它学出来。

3.2 Analysis of PAC

• Generalization error:此时还是在distribution期望下的sign function。它可以被所有函数empirical mean 和true mean的最大值给bound住。

• Union bound：函数数量有限时，可以一起bound：

CHAPTER 3.UNIFOR CONVERGENCE 32

Proposition 3.5(Union Bound).Consider m eυents E₁，. . .Eₘ.The fοllοωing probαbility inequαlity holds：

ₘ

Pr(E₁∪· · ·∪ Eₘ) ≤ ∑Pr(Eⱼ).

ⱼ₌₁

• 对每个函数empirical mean error和true mean error 之间的差，用第二章的chernoff bound就可以了。

• 最后，如果还是想知道true mean error，只要保证empirical mean error足够下就行。

Theorem 3.6. Consider α concept clαss C ωith N elements. With probαbility αt leαst 1 – δ，the ERM PAC leαrner (3.1) ωith

2 ln(N/δ)

ϵ'＝γ² ─────

n

2

for some γ＞0 sαtisfies

2 ln(N/δ)

err ᴅ(f) ≤ (1＋γ)² ─────

n

Realizable PAC，finite case

3.3 Empirical Process

三大问题：

1. general non-binary-valued function classes which may contain an infinite number of functions。

2. non-realizable case wheref∗(x) /∈ C

3.the observation Y contains noise

• 首先就是扩展不再是binary-valued。引入loss-function：ф(ω，z) .ERM methods 能保证的是

ф(ω，Sₙ) ≤ inf ф(ω，Sₙ)＋ϵ'.

数学联邦政治世界观提示您：看后求收藏（同人小说网http://tongren.me），接着再看更方便。