Coursera機器學習基石筆記week6
Theory of Generalization
Restriction of Break Point
很明顯,當N=1時,
=2,;當N=2時,由break point為2可知,任意兩點都不能被shattered(shatter的意思是對N個點,能夠分解為
種dichotomies);
最大值只能是3;當N=3時,簡單繪圖分析可得其
,即最多隻有4種dichotomies。
所以,我們發現當N>k時,break point限制了 值的大小,也就是說影響成長函式 的因素主要有兩個:
- 抽樣資料集N
- break point k(這個變數確定了假設的型別)
那麼,如果給定N和k,能夠證明其 的最大值的上界是多項式的,則根據霍夫丁不等式,就能用 )代替M,得到機器學習是可行的。所以,證明 的上界是poly(N),是我們的目標。
Bounding Function:Basic Cases
- 當k=1時,B(N,1)恆為1。
- 當N < k時,根據break point的定義,很容易得到 。
- 當N = k時,此時N是第一次出現不能被shatter的值,所以最多隻能有
個dichotomies,則B(N,k)=
。
Bounding Function:Inductive Cases
以B(4,3)為例,首先想著能否構建B(4,3)與B(3,x)之間的關係。
首先,把B(4,3)所有情況寫下來,共有11組。也就是說再加一種dichotomy,任意三點都能被shattered,11是極限。
對這11種dichotomy分組,目前分成兩組,分別是orange和purple,orange的特點是,x1,x2和x3是一致的,x4不同併成對,例如1和5,2和8等,purple則是單一的,x1,x2,x3都不同,如6,7,9三組。
然後根據分組,對橙色部分分為2
,紫色部分分為
,那麼
。然後我們將x4去掉,同時將橙色重複部分去除,即得
。已知任意3個點在上述11個分組中不能shatter,那麼對於我們經過刪減的
來說,它們也不能shatter。也就說明了
.
另一方面,由於
中x4是成對存在的,且
是不能被任意三點shatter的,則能推匯出
是不能被任意兩點shatter的。這是因為,如果
是能被任意兩點shatter,而x4又是成對存在的,那麼x1、x2、x3、x4組成的
必然能被三個點shatter。這就違背了條件的設定。這個地方的推導非常巧妙,也解釋了為什麼會這樣分組。此處得到的結論是
由此得出B(4,3)與B(3,x)的關係為:
最後,推匯出一般公式為:
根據推導公式,下表給出B(N,K)值
根據遞推公式,推匯出B(N,K)滿足下列不等式:
上述不等式的右邊是最高階為k-1的N多項式,也就是說成長函式
的上界B(N,K)的上界滿足多項式分佈poly(N),這就是我們想要得到的結果。
得到了
的上界B(N,K)的上界滿足多項式分佈poly(N)後,我們回過頭來看看之前介紹的幾種型別它們的
與break point的關係:
我們得到的結論是,對於2D perceptrons,break point為k=4,
的上界是
。推廣一下,也就是說,如果能找到一個模型的break point,且是有限大的,那麼就能推斷出其成長函式
有界。
A Pictorial Proof
我們已經知道了成長函式的上界是poly(N)的,下一步,如果能將
代替M,代入到Hoffding不等式中,就能得到
的結論:
但是實際的表示式並不是這樣的:
推導如下:
得到最後的VC bound:
對於已知的2D perceptrons,它的break point是4,那麼成長函式
。所以,我們可以說2D perceptrons是可以進行機器學習的,只要找到hypothesis能讓
,就能保證
。
總結
本節課我們主要介紹了只要存在 break point,那麼其成長函式 就滿足 poly(N)。推導過程是先引入 的上界 B(N,K),B(N,K) 的上界是 N 的 k−1階多項式,從而得到 的上界就是 N 的k−1階多項式。然後,我們通過簡單的三步證明,將 代入了 Hoffding 不等式中,推匯出了 Vapnik-Chervonenkis(VC) bound,最終證明了只要 break point 存在,那麼機器學習就是可行的。