问题框架 Ⅹ表示所有实例的集合,C代表学习器要学习的目标概念集合,C 中每个目标概念c对应于X的某个子集或一个等效的布尔函数c X→>{0,1} ·假定实例按照某概率分布D从X中随机产生 学习器L在学习目标概念时考虑可能假设的集合H。在观察了一系 列关于目标概念c的训练样例后,L必须从H中输出某假设h,它是 对c的估计 我们通过h在从ⅹ中抽取的新实例上的性能来评估L是否成功。新 实例与训练数据具有相同的概率分布 我们要求L足够一般,以至可以从C中学到任何目标概念而不管训 练样例的分布如何,因此,我们会对C中所有可能的目标概念和 所有可能的实例分布D进行最差情况的分析 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 9 问题框架 • X表示所有实例的集合，C代表学习器要学习的目标概念集合，C 中每个目标概念c对应于X的某个子集或一个等效的布尔函数c: X→{0,1} • 假定实例按照某概率分布D从X中随机产生 • 学习器L在学习目标概念时考虑可能假设的集合H。在观察了一系 列关于目标概念c的训练样例后，L必须从H中输出某假设h，它是 对c的估计 • 我们通过h在从X中抽取的新实例上的性能来评估L是否成功。新 实例与训练数据具有相同的概率分布 • 我们要求L足够一般，以至可以从C中学到任何目标概念而不管训 练样例的分布如何，因此，我们会对C中所有可能的目标概念和 所有可能的实例分布D进行最差情况的分析