简介(3) 如果明确了学习问题的如下属性,那么有可能给出前 面问题的定量的上下界 学习器所考虑的假设空间的大小和复杂度 目标概念须近似到怎样的精度 学习器输出成功的假设的可能性 训练样例提供给学习器的方式 本章不会着重于单独的学习算法,而是在较宽广的学 习算法类别中考虑问题 样本复杂度:学习器要收敛到成功假设,需要多少训练样例? 计算复杂度:学习器要收敛到成功假设,需要多大的计算量? 出错界限:在成功收敛到一个假设前,学习器对训练样例的 错误分类有多少次? 2003.12.18 机器学习-计算学习理论作者: Mitchel译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-计算学习理论作者：Mitchell 译者：曾华军等讲者：陶晓鹏 5 简介（3） • 如果明确了学习问题的如下属性，那么有可能给出前 面问题的定量的上下界 – 学习器所考虑的假设空间的大小和复杂度 – 目标概念须近似到怎样的精度 – 学习器输出成功的假设的可能性 – 训练样例提供给学习器的方式 • 本章不会着重于单独的学习算法，而是在较宽广的学 习算法类别中考虑问题： – 样本复杂度：学习器要收敛到成功假设，需要多少训练样例？ – 计算复杂度：学习器要收敛到成功假设，需要多大的计算量？ – 出错界限：在成功收敛到一个假设前，学习器对训练样例的 错误分类有多少次？