其他分享
首页 > 其他分享> > 机器学习基石 7.4 Interpreting VC Dimension

机器学习基石 7.4 Interpreting VC Dimension

作者:互联网

文章目录

VC Bound Rephrase: Penalty for Model Complexity

VC Bound:

这里写图片描述

改述:好事情发生(GOOD)

这里写图片描述

gen.error:generalization error
得到EoutE_{out}Eout​的范围。

这里写图片描述

根号这一项被叫做model complexity。

这里写图片描述

THE VC Message

这里写图片描述

横轴是VC dimension,纵轴是Error。
model complexity随着VC dimension的变大而变大。
VC dimension增大后,可以shatter的点变多(hypothesis变强),EinE_{in}Ein​减小。
VC dimension增大后,模型复杂度(model complexity)增大,导致要付出的代价变大。
所以EoutE_{out}Eout​通常会先减后增。

强大的H\mathcal{H}H(EinE_{in}Ein​很小)并不总是好的。

这里写图片描述

VC Bound Rephrase: Sample Complexity

VC Bound:

这里写图片描述

一个例子:

这里写图片描述

然而实践上一般10dVC10d_{VC}10dVC​的资料就够用了。

这里写图片描述

Looseness of VC Bound

上面的例子说明了VC Bound实际上是很宽松的。

这里写图片描述

原因:

这里写图片描述

对于不同的模型,VC Bound 的宽松程度实际上是差不多的。

这里写图片描述

Fun Time

这里写图片描述

标签:VC,Bound,complexity,Rephrase,Interpreting,7.4,model,dimension
来源: https://blog.csdn.net/Exupery_/article/details/77117394