2.1由例項學習類
類學習：尋找乙個涵蓋所有的正例而不涵蓋任何負例的描述
類識別器的蔬菜如：對識別結果有關鍵影響的特徵
假設類：h
最特殊假設：s覆蓋所有正例且不包含所有負例的最小矩形
最一般假設：g覆蓋所有正例且不包含所有負例的最大矩形
介於s~g之間的h均為無誤差的有效假設，與訓練集χ相容，這些h構成了解空間
c：實際類
邊緣：h的邊界和他相鄰最近的例項（正例/負例）之間的差距。最大邊緣：s與g中間
誤差函式在最大邊緣上的最小化：不僅僅返回0、1
誘導假設：h
經驗誤差：h的**值不同於訓練集χ中給定的預期值的訓練示例所佔的比例
誤差函式：e(h|
χ） = ∑(t = 1 ~ n) 1*（h（xt）！= rt）
泛化問題：對不在訓練集中的未來例項分類的準確率問題
2.2vc維
n個點，存在pow（2，n）種表現形式，如果每種形式都能被h中的一種誘導假設h打散，則稱h能雜湊n個點
h能雜湊的最多個點的數量x，即為h的vc值，vc(h) = x
直線的vc值為3，因為4個點的情況下，在（2,2）的情況無法將ad,bc兩對對角線的點打散
而軸平行矩形的vc值為4，因為在5個點的情況下，在（4,1）的情況無法將abce與d打散
vc值度量的是假設類h的學習能力
2.3
機器學習筆記 監督學習，無監督學習，半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。什麼是學習 learning 學習 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂...
機器學習日記 監督學習 無監督學習
監督學習是指 利用一組已知類別的樣本調整 分類器的 引數，使其達到所要求效能的過程，也稱為 監督訓練或有教師學習。無監督學習 現實生活中常常會有這樣的問題 缺乏足夠的 先驗知識 因此難以人工標註類別或進行人工類別標註的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類...
機器學習中的有監督學習，無監督學習，半監督學習
在機器學習 machine learning 領域，主要有三類不同的學習方法 監督學習 supervised learning 非監督學習 unsupervised learning 半監督學習 semi supervised learning 監督學習 通過已有的一部分輸入資料與輸出資料之間的對應...