當我們面對的問題不是完美的（無噪音）二值分類問題，vc 理論還有效嗎？
1，噪音和非確定性目標
幾種錯誤：(1) noise in y: mislabeled data; (2) noise in y: different labels for same x; (3) noise in x: error x.
將包含噪音的y 看作是概率分布的，y ~ p(y|x)。
學習的目標變為**最有可能出現的y，max 。
2， 錯誤的測量 (error measure)
對錯誤不同的測量方法將對學習過程有不同的指導。
如下面的0/1 error 和 squared error.
我們在學習之前，需要告訴模型我們所關心的指標或衡量錯誤的方法。
3，衡量方法的選擇
圖中的false accept 和 false reject 就是我們在分類中常說的 false positive 和 false negative，只是台灣和大陸的叫法不同而已。
採用0/1 error 時，對於每種錯誤，都會有相同程度的懲罰(panalize)。
然而，在實際應用中，兩種錯誤帶來的影響可能很不一樣。
例如（講義中的例子），乙個商場對顧客進行分類，老顧客可以拿到折扣，新顧客沒有折扣；這時，如果發生false reject（將老顧客錯分為新顧客）而不給其打折，那麼會嚴重影響使用者體驗，對商家口碑造成損失，影響較壞；而如果發生false accept （將新顧客錯分為老顧客)而給其打折，也沒什麼大不了的。
另乙個例子，cia 的安全系統身份驗證，如果發生false accept（將入侵者錯分為合法雇員），後果非常嚴重。
4，帶權重的分類
依然是借助cia 身份驗證的例子來說明什麼是weighted classification：
通過感知機模型解決cia 分類問題。如果資料時線性可分的，那麼帶權重與否對結果沒有影響，我們總能得到理想結果。
如果輸入資料有噪音（線性不可分），像前面學習感知機時一樣，採用pocket 方法，然而計算錯誤時對待兩種錯誤(false reject/false accept) 不再一視同仁，false acceot 比false reject 嚴重1000倍。通過下面方法解決：
即，在訓練開始前，我們將 的資料複製1000倍之後再開始學習，後面的步驟與傳統的pocket 方法一模一樣。
然而，從效率、計算資源的角度考慮，通常不會真的將y=-1 的資料拷貝1000倍，實際中一般採用"virtual copying"。只要保證：
randomly check -1 example mistakes with 1000 times more probability.
（這句大家還是看英文比較好，以免理解有歧義）
總之，我們選擇好適合特定應用的error measure: err，然後在訓練時力求最小化err，即，我們要讓最後的**發生錯誤的可能性最小（錯誤測量值最小），這樣的學習是有效的。
8 錯誤和異常
語法錯誤也就是解析錯誤.test.py while true print ss 執行結果 file main.py line 1 while true syntaxerror invalid syntax repl closed 當語法沒有錯誤後還會引發其他的錯誤,例如除數是0的時候,會丟擲zero...
噪音聲壓和聲功率的區別 電機噪音檢測方式和安裝方式
電機運轉時，產生的噪音有三個方面，一是電磁噪音，二是機械噪音，三是通風雜訊。1 電磁雜訊。主要是有氣隙諧波磁場引起的，定轉子齒諧波磁通相互作用而產生的徑向交變磁拉力，會引起定子鐵芯軛部產生週期性的動態徑向變形，激發定子產生電磁雜訊。另外，鼠籠轉子斷條 繞線轉子匝間短路 轉子偏心 定子繞組不對稱或匝間...
python官方文件 8錯誤和異常
這只是乙個簡要的個人回顧，慎看 錯誤和異常 1.語法錯誤 2.異常 在語法上正確，但執行時可能引發錯誤。常見exception zerodivisioneroor nameerror typeerror 3.異常處理 try catch else finally 沒有 獲到的異常會傳到上一級去han...