PAC学习理论

        当使用机器学习方法来解决某个特定问题时， 通常靠经验或者多次试验来选择合适的模型、 训练样本数量以及学习算法收敛的速度等 ． 但是经验判断或多次试验往往成本比较高， 也不太可靠 ， 因此希望有一套理论能够分析问题难度、 计算模型能力 ， 为学习算法提供理论保证 ， 并指导机器学习模型和学习算法的设计． 这就是计算学习理论 ． 计算学习理论 （ Computational Learning Theory） 是机器学习的理论基础 ， 其中最基础的理论就是 可能近似正确 （ Probably Approximately Correct， PAC ） 学习理论 ．         机器学习中一个很关键的问题是期望错误和经验错误之间的差异，称为 泛化错误 （ Generalization Error ）． 泛化错误 在有些文献 中也指 期望错误 ，指在未知样本上的错误． 泛化错误可以衡量一个机器学习模型𝑓 是否可以很好地泛化到未知数据．

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！