本文仅针对个人不熟知识点进行整理,已知内容或过于简单的就不整理了。
第1章 绪论
1.3 假设空间
-
假设空间:所有假设组成的空间
-
版本空间:现实问题中我们常面临很大的假设空间,但学习过程是基于有限样本训练集进行的,因此,可能有多个假设与训练集一致,即存在着一个与训练集一致的假设集合,我们称之为版本空间 (version space)。
也就是说这多个假设的集合就是假设集合,称为版本空间
1.4 归纳偏好
- 归纳偏好 (简称"偏好"):机器学习算法在学习过程中对某种类型假设的偏好。
- 奥卡姆剃刀:若有多个假设与观察一致,则选择最简单的那个。
- "没有免费的午餐”(No Free Lunch Theorem,简称NFL)定理:无论学习算法
L
a
L_a
La多聪明、学习算法
L
b
L_b
Lb多笨拙,它们的期望性能是相同的。
(假设了 f f f的均匀分布,而实际情况并非如此)