台大林轩田《机器学习基石》学习笔记：可行性（Hoeffding、Multi-binhoeffding、VC bound）

本文是作者学习台大林轩田教授《机器学习基石》课程后整理的简要笔记（未按课程回目分节），内容大部分来源于林轩田教授的课程资料，其余相关参考链接已标出。

版权所有：CSDN博客  拖延症患者的自愈小记 

可行性 - Feasibility

    从训练样本学习得到模型去估计未知数据（具象化可以想成从bin中捧出一把marbles,通过marbles中不同颜色的比例估计整个bin中不同颜色的比例），这是典型的以小窥大，必须探讨机器学习如何保证这个“窥”是可行的。机器学习可行性，即希望证明h在样本中的错误率E_in可以和未知数据上的错误率E_out比较接近，这样下一步的工作——降低E_in，才能相应得到小的E_out，进而得到一个和f比较接近的h作为g，达到好的机器学习效果。

    

    一步步来（均以二分问题为例）：

•  Hoeffding

    Hoeffding不等式是数学上已证的，证明了一件事：样本量足够大时，样本中的占比和整体真实的占比非常接近，即所谓probably approximately correct（PAC）

    对单个给定的hypothesis，Hoeffding可以作为判定这