一个简单的学习模型
对于一个实际的学习问题来说, 期望的目标函数f和数据集X能通过待求解的问题得到,是已知的[尽管目标函数并不是真正的已知],但是学习算法以及函数假设/假设函数是未知的,但是存在很多种选择需要我们自己选定...PLA是一个简单的迭代算法:最终的分类效果是对训练数据集"完美划分".既然是一个迭代过程,刚开始划分效果并不好,需要进行优化,但是如何优化呢?或者说优化方法是什么?PLA给出了具体的方法....因为是误分样本,所以有上面的不等关系,在具体来说,就是正类样本分成负类,负类分成正类;
对于第一种情况来说,y(t)=1,但是感知机h(x)分成负类,因此wTxw^TxwTx两个向量内积应该是负的,本来夹角应该是小于...BUT,关于这个学习模型还存在一定的疑问?
数据集D上学到的模型g对于unseen data是否适用?[学习理论的关键问题–模型的泛化评估]
如果数据集D上的样本点不是线性可分呢?应该怎么办?...我们假定μ\muμ对于我们来说是未知的.
我们随机从瓶子中选择包含N个石头的随机样本,观察在样本中红色石头的概率vvv. 这个概率vvv和概率μ\muμ之间有什么关系呢?