首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Rademacher复杂度

统计机器学习之Rademacher复杂度。

请参见blog链接:

该blog主要介绍了Global Rademacher复杂度,Local Rademacher复杂度,以及提供了两个计算可方法的Rademacher复杂度实例。

事实上,要实现精确计算是很难的,因此通常是去估计一个复杂度的upper bound, 然后再考虑减少这个bound。在小样本上,一般误差比较大,当样本在足够多事,样本均值是逼近期望的,因此误差会比较小。

这些界只是针对所有感兴趣的一些假设笼而统之的分析了,但实际中,在不同的数据上,模型的表型是不仅相同的,原因在于这些分析知识集中在统计层面,但样本的表示(是否含噪音)、几何结构等都会对分类性能产生很大影响,这也就是统计机器学习的固有弊病。

当前的机器学习几乎可以划定在统计学范畴而已。尽管现在深度学习如火如荼的发展,但是它缺乏可解释性,很难给实际决策提供可靠性,在硬件(主要是GPU)发展起来以后,由于它在众多任务中表现良好(如围棋、语音识别等),深度学习这一技术逐渐被大家接受并流行起来。真正要实现智能是需要很长的路要走。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190111G1AEIZ00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券