动机 对学习到的假设进行尽可能准确地性能评估十分重要 为了知道是否可以使用该假设 是许多学习方法的重要组成部分 当给定的数据集有限时,要学习一个概念并估计其将 来的精度,存在两个很关键的困难: 估计的困难 使用与训练样例和假设无关的测试样例 估计的方差 即使假设精度在独立的无偏测试样例上测量,得到的精度仍可能 与真实精度不同 测试样例越少,产生的方差越大 本章讨论了对学到的假设的评估、对两个假设精度的 比较、两个学习算法精度的比较 2003.12.18 机器学习-评估假设作者: Mitchell译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-评估假设作者：Mitchell 译者：曾华军等讲者：陶晓鹏 3 动机 • 对学习到的假设进行尽可能准确地性能评估十分重要 – 为了知道是否可以使用该假设 – 是许多学习方法的重要组成部分 • 当给定的数据集有限时，要学习一个概念并估计其将 来的精度，存在两个很关键的困难： – 估计的困难 • 使用与训练样例和假设无关的测试样例 – 估计的方差 • 即使假设精度在独立的无偏测试样例上测量，得到的精度仍可能 与真实精度不同。 • 测试样例越少，产生的方差越大 • 本章讨论了对学到的假设的评估、对两个假设精度的 比较、两个学习算法精度的比较