一些基础:
Markov不等式:为非负随机变量,
Chebyshev不等式:
Markov不等式的推论:当r为偶数时,有
注记:
- Markov不等式要求X是非负随机变量,给出的界随着a的增长,以的速率下降
- Chebyshev不等式不要求X是非负随机变量,给出的界随着a的增长,以的速率下降
- 推论不等式在r为偶数的时候成立,给出的界随着a的增长,以的速率下降
- 如果相较于, 等低阶矩增加的不是很多,被某种上界所限制,则推论效果会比较好,可以获得更紧的界(r越大,界越紧);
定理的Intuition:
- 在机器学习中,我们将样本看作随机变量,并且经常研究的相关性质
- Chernoff界只适用于取值范围有界的随机变量(例如0-1随机变量),而指数分布和高斯分布的取值范围是无界的。
- 可以证明如下结论:方差为1的指数分布和高斯分布的第s阶矩不超过s!(于是定理的复杂条件就比较合理了)
定理:
令