Машинное обучение - какой смысл искать границы?

Question

В настоящее время я изучаю машинное обучение в университете с помощью учебника Основы машинного обучения (второе издание) .Я узнал о PAC Learning, сложности Rademacher, функциях роста и VC-Dimension.В учебнике и курсе мы, кажется, тратим много времени на поиски границ.

Я несколько озадачен тем, почему мы это делаем.

1. Что именновесь смысл в нахождении этих границ?
2. Как эти границы действительно применяются в полевом машинном обучении в реальном мире?

Ни учебник, ни мой профессор не были особенно полезны вотвечая на мои вопросы.

Спасибо.

Answer 1

Граница принятия решения - это основной принцип определения шаблона (наиболее упрощенный способ разделения чего-либо на 2 набора).Исходя из этого, Обобщающие границы составляют:

В теории статистического машинного обучения граница обобщения - или, точнее, граница ошибки обобщения- это утверждение о прогнозирующей эффективности алгоритма обучения или класса алгоритмов.

Итак, весь смысл нахождения границ состоит в том, чтобы позволить вамопределить производительность (или эффективность) алгоритма.

Это может показаться тривиальным вопросом;в качестве ответа просто потому, что алгоритм обучения может искать во всем пространстве гипотез в поисках своего оптимального решения.Хотя этот ответ правильный, нам нужен более формальный ответ в свете изучаемого нами обобщающего неравенства.

Если ваш вопрос больше похож на: почему много времени (так что вывыделите время, потраченное на это), или другими словами: почему мы должны учитывать каждую возможную гипотезу? ( больше ):

Это можеткажется тривиальным вопросом;в качестве ответа просто потому, что алгоритм обучения может искать во всем пространстве гипотез в поисках своего оптимального решения.Хотя этот ответ правильный, нам нужен более формальный ответ в свете изучаемого нами обобщающего неравенства.