2 學習回答是非問題

課程來自coursera上的國立台灣大學《機器學習基石》（machine learning foundations），由林軒田老師講授。

首先回顧下機器學習的一般性定義：

集合是所有可能的輸入，集合是所有可能的輸出，函式f是到

的乙個對映，這個函式利用輸入得到正確的輸出。問題是我們不知道f的形式，我們手頭有的只是一些經驗資料d，是不是可以通過乙個學習演算法a從備選函式集h中找到乙個函式g，使它在訓練資料d的範圍內保證得到正確的結果，此時我們認為g是對f的乙個可接受的近似。

以信用卡問題為例解釋如何設定備選函式集：

乙個客戶，他的資料可用乙個特徵向量表示：

為了簡化，這裡假設使用者特徵向量只有2維，即影響發卡的因素只有兩個(x1,x2)，因此每個特徵向量都能表示成平面上的乙個點。將歷史資料一一繪製出來就得到上面的圖，圖中藍色圓圈代表發卡的使用者，紅色的叉代表不發卡的使用者，乙個正確的權向量應當構成一條直線，在平面上將圈和叉劃分開來。

因為是在實數域取值，理論上權向量w有無窮多個，h(w)隨著w的變化也有無窮多個備選函式，該如何選取近似目標函式g？

教程給出的方法是，首先給定乙個初始函式g0（或乙個初始權向量w0），如果該直線對樣本的劃分出現錯誤，我們就糾正它（糾正w0）並重複這個過程直到正確的劃分出現。