本文详细探讨了机器学习中的VC界限（VC Bound）和VC维度的概念。通过成长函数、边界函数的分析，解释了VC Bound如何提供机器学习结果可靠性的衡量。讨论了VC Dimension的物理意义，指出其与模型复杂度的关系，并举例说明了VC Bound在数据量估算中的应用。此外，文章还介绍了PLA的VC Dimension，展示了如何证明其等于d+1。
Break Point 对成长函数的限制
上一讲重点是一些分析机器学习可行性的重要思想和概念，尤其是生长函数(growth function) 和突破点(break point) 的理解(上一节提到的4个成长函数)：
假设对于一个问题，minimum break point k = 2（对于任意2个输入，H不能穷尽所有划分），基于该条件我们做出推论：
即当 N=2 时，成长函数一定 < 2^2=4，所以此时成长函数的 maximum possible value = 3。
当 N=3 时，我们看看成长函数的 maximum possible value 等于多少？
任意3个输入（x1, x2, x3），我们一定能找到以下3个合法的划分：
订阅专栏 解锁全文
扫一扫
2523
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
