Lecture5-3Effective number of hypotheses
Dichotomies
={hypothesis h:→{x,o}}\mathcal{H} = \{\textrm{hypothesis } h: \mathcal{X} \rightarrow \{x,o\}\}
Call:
h(\mathbf{x_1, x_2, ... , x_N}) = (h(\mathbf{x_1}), h(\mathbf{x_2}), ... , h(\mathbf{x_N})) \in \{ x, o\}^N
- A dichotomy: hypothesis limited to the eyes of x1,x2,...,xN\mathbf{x_1, x_2, ..., x_N}
- (x1,x2,...,xN)\mathcal{H}(\mathbf{x_1,x_2,...,x_N}): all dichotomies implemented by \mathcal{H} on the x1,x2,...,xN\mathbf{x_1,x_2,...,x_N}
|||\mathcal{H}|: Candidate for replacing MM
Growth Function
- (x1,x2,...,xN)\mathcal{H}(\mathbf{x_1,x_2,...,x_N}) depends ont inputs x1,x2,...,xN\mathbf{x_1,x_2,...,x_N}
- growth function: remove dependencies by taking the MAX of all (x1,x2,...,xN)\mathcal{H}(\mathbf{x_1,x_2,...,x_N})
- m(N)=maxx1,x2,...,xN∈(x1,x2,...,xN)
m_\mathcal{H} (N)= \max_{{\mathbf{x_1,x_2,...,x_N}}\in \mathcal{X}} \mathcal{H}(\mathbf{x_1,x_2,...,x_N})
Lines in 2D
NN m(N)m_{\mathcal{H}}(N) 1 2 2 4 3 max(...,6,8)=8\max(...,6,8) = 8 4 14<2N14 - Finite, upper bounded by 2N2^N
Growth function for positive rays(1D perceptron)
Growth function for positive intervals
Growth function for convex sets
Lecture5-3Effective number of hypotheses相关推荐
- 机器学习基石-05-3-Effective Number of Hypotheses
Dichotomies: Mini-hypotheses,dichotomy意思是一分为二,就是将普通的都转换成二分的. 用来代替M的部分就是可行的假设h的个数,包含所有可能存在的情况,比如input ...
- 机器学习基石 5.3 Effective Number of Hypotheses
文章目录 1. Dichotomies: Mini-hypotheses 2. Growth Function 3. Growth Function for Positive Rays 4. Grow ...
- 影像组学视频学习笔记(37)-机器学习模型判断脑卒中发病时间(文献报告)、Li‘s have a solution and plan.
作者:北欧森林 链接:https://www.jianshu.com/p/3e7a2c84288e 来源:简书,已获授权转载 RadiomicsWorld.com "影像组学世界" ...
- VC维的来龙去脉(转)
目录: 说说历史 Hoeffding不等式 Connection to Learning 学习可行的两个核心条件 Effective Number of Hypotheses Growth Funct ...
- Paper:《A Few Useful Things to Know About Machine Learning—关于机器学习的一些有用的知识》翻译与解读
Paper:<A Few Useful Things to Know About Machine Learning-关于机器学习的一些有用的知识>翻译与解读 目录 <A Fe ...
- 台湾大学林轩田机器学习基石课程学习笔记5 -- Training versus Testing
红色石头的个人网站:redstonewill.com 上节课,我们主要介绍了机器学习的可行性.首先,由NFL定理可知,机器学习貌似是不可行的.但是,随后引入了统计学知识,如果样本数据足够大,且hypo ...
- show attend and tell 计算bleu分数(1到4)
Calculate BLEU scores 参考:How to do calculate all bleu scores during evaluvaion #37 主要是参数的改变,默认计算的是BL ...
- VC维与DNN的Boundary
原文链接:解读机器学习基础概念:VC维来去 作者:vincentyao 目录: 说说历史 Hoeffding不等式 Connection to Learning 学习可行的两个核心条件 Effecti ...
- 机器学习基石笔记5——为什么机器可以学习(1)
转载请注明出处:http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1--在何时可以使用机器学习(1) 机器学习基石笔记2--在何时 ...
最新文章
- tts和字符集的关系--要求源和目的端的数据库字符集必须一样,国家字符集必须一样。...
- pytorch 模型下载,郑重推荐
- 【JavaSE_07】Java中类和对象-封装特性
- 51nod 1414 冰雕 思路:暴力模拟题
- 任意线段集生成多边形_self-attention缺失文本生成||Text Infilling
- Windows VS2017 编译 libssh2 1.7.0(执行命令、文件上传、下载)
- 读书随笔:The Book of Why——INTRODUCTION:MIND OVER DATA
- iOS Mac终端 生成模拟器与真机都能运行的.a静态库
- 【Shell脚本学习7】Shell脚本学习指南分享
- 2012、2014、2016、2020年最全数据合集产学研专题2.0
- ElasticSearch
- Web网页设计作业html
- 3-8 如何使用图片 CDN 优化图片
- window10/11拨号连接宽带连接开热点
- python numpy 多条件筛选
- thinkPHP基于php的枣院二手图书交易系统-计算机毕业设计
- 授信合同与贷款合同的区别
- Android:实现安卓小程序-记事本(备忘录)的开发
- 重磅!李飞飞、颜宁等9位华人当选美国艺术与科学院院士,DeepMind创始人也成新晋院士!
- 破解加密文档以及宏口令
热门文章
- 相机参数估计值如何计算?
- 江在川上曰:js中的JSON解析和序列化
- 树莓派 安装Transmission并自动挂载移动硬盘
- zigbee3.0 ota 实验
- java中设置5秒后跳转_javaweb 3秒后自动跳转的几种方式
- 2016年6月,我们毕业了~~~
- 【WIN7深度揭秘】将你的笔记本打造成WI-FI基站实现无线共享上网
- C语言编译发现注释错误,在对C语言程序进行编译时,可以发现注释行中的拼写错误。...
- 读论文《对 感知音频质量 的 客观评估 综述---对其 应用领域依赖性 的评估》
- C语言结构体中的冒号用法