發(fā)簡信
IP屬地：香港
-
第七章 Nonuniform Learnability
占個位置以后更新
-
第六章 The VC-Dimension上一章介紹了講了EMR的誤差主要分為兩種，一種是approximation error，另一種是estimation error。其中appro...
-
第五章 The Bias-Complexity Tradeoff在第二章中介紹了一種情況，訓(xùn)練數(shù)據(jù)可能會對模型造成誤導(dǎo)，從而導(dǎo)致過擬合。為了克服這個問題，把搜索空間限制在了某個假設(shè)集當中。這個限制反映了一些先...
-
第二章 Misleading of the Training Set
在模型學(xué)習學(xué)習中，采用參數(shù)去衡量該假設(shè)h loss的優(yōu)秀程度。 一般認為時h為一個失敗假設(shè)，一個訓(xùn)練集中，假設(shè)一個分布上界，即有m個樣本將會導(dǎo)致...
-
第四章 Learning via Uniform Convergence
在第三章里我們學(xué)到了第一個形式化的學(xué)習模型PAC，接下來要介紹均勻收斂。通過這個工具，可以說明任意的有限集上，都可以使形式化的學(xué)習器滿足agno...
-
第三章 PAC leaning 'Why machine can learning'
在第二章里我們學(xué)到了有限假設(shè)集 回顧： 當H是有限集的時候，模型不會有過擬合的風險，并且如果ERM是在這個有限集中被提供了大量數(shù)據(jù)的話，可以認為...