什么是“可学习的” 口概率近似正确( Probably approximately correct,PAC) 我们希望以比较大的把握学得比较好的模型,即以较大概率学得误差 满足预设上限的模型 令δ表示置信度,上述要求形式化为 定义PAC辨识( PAC Identify) 对0<,6<1,所有c∈C和分布D,若存在学习算法C,其输出假 设h∈H满足 P(E(hb)≤)≥1-6, 则称学习算法C能从假设空间中PAC辨识概念类? 这样的学习算法C能以较大概率(至少1—)学得目标概念c的近似(误差最多为)什么是“可学习的”  概率近似正确(Probably Approximately Correct, PAC) 我们希望以比较大的把握学得比较好的模型, 即以较大概率学得误差 满足预设上限的模型. 令 表示置信度，上述要求形式化为： 定义 PAC辨识(PAC Identify) 对 ,所有 和分布 ,若存在学习算法 , 其输出假 设 满足 则称学习算法 能从假设空间 中PAC辨识概念类 . 这样的学习算法 能以较大概率(至少 )学得目标概念 的近似(误差最多为 )