No Free Lunch Theoren 定理 ,没有免费的午餐定理,简称NFL定理,由美国斯坦福大学的Wolpert和Macready教授提出。
在机器学习算法中的体现为在没有实际背景下,没有一种算法比随机胡猜的效果好。
首先,我们假设一个算法为a,而随机胡猜的算法为b,为了简单起见,假设样本空间为
χ
和假设空间为
H
都是离散的。令
在训练集之外的所有样本上的误差为
Eote(a|X,f)=∑h∑x∈χ−XP(x)I(h(x)≠f(x))P(h|X,a),
其中
I(⋅)
是指示函数,若
⋅
为真则取值1,否则取值0.
考虑二分类问题,且真实目标函数可以是任何函数
χ↦
{0,1},函数空间为{0,1}
|χ|
(
|χ|
指样本空间
χ
中元素个数,对所有可能的f按均匀分布对误差求和,有
∑fEote(a|X,f)
=∑f∑h∑x∈χ−XP(x)I(h(x)≠f(x))P(h|X,a)
=∑x∈χ−XP(x)∑hP(h|X,a)∑fI(h(x)≠f(x))
=∑x∈χ−XP(x)∑hP(h|X,a)122|χ|
=2|χ|−1∑x∈χ−XP(x)∑hP(h|X,a)
=2|χ|−1∑x∈χ−XP(x)⋅1
可以看到总误差竟与算法无关!对于任何两个算法a和b都有
∑fEote(a|X,f)=∑fEote(b|X,f)
得证无论算法多好在没有实际背景情况下都不如随机胡猜。
所以,NFL定理最重要意义是,在脱离实际意义情况下,空泛地谈论哪种算法好毫无意义,要谈论算法优劣必须针对具体学习问题。
简化论述没有免费午餐定理(NFL)
最新推荐文章于 2023-05-15 16:22:42 发布