这一节的核心内容在于如何由hoeffding不等式 关联到机器学习的可行性。

这个PAC很形象又准确，描述了“当前的可能性大概是正确的”，即某个概率的上届。

hoeffding在机器学习上的关联就是：

如果样本数量足够大，那么在训练集上获得的学习效果是可以平移到测试集上的。即如下，

这里保证的仅仅是“训练集的效果平移到测试集”，平移的仅仅是效果，没说效果好坏；如果训练效果是垃圾的，那么测试效果也基本是垃圾的。

如果假设空间是有限的，那么结果又如何呢？如下，

如果假设空间是有限的，根据公式推导：当N足够大的时候，可以保证‘踩雷’的概率很小，我们只要选一个表现最好的假设空间就OK了。

讲到这里，留了一个关子：如果假设空间不是有限的，那么机器学习是否可以行了？

最新文章

1. PHP图片上传类
2. powerdesigner，eclipse整合安装
3. HashMap的工作原理深入再深入
4. NPOI教程
5. 关于listView 中的聚焦问题
6. Linux socket 获得本地IP和广播地址
7. paip.提升性能---list,arraylist,vector,linkedlist,map的选用..
8. C#访问PostGreSQL数据库的方法 http://www.jb51.net/article/35643.htm
9. Android二手交易平台，dagger2+mvp+Bmob后台云搭建
10. 本地化SilverLight应用程序（多语言支持）
11. extern int *a与extern int a[]
12. 微信小程序框架
13. 【UVA534】Frogger 最小瓶颈路
14. 条件注释判断IE浏览器版本
15. UVa 11419 我是SAM（最小点覆盖+路径输出）
16. （0.2.4）Mysql安装——yum源安装
17. 使用CSV Data Set Config实现参数化登录
18. [Codeforces-div.1 494C] Helping People
19. 开源TSDB简介--Druid
20. 安装sass遇到的坑

热门文章

1. MySQL入门很简单: 8查询数据
2. Codeblocks的常用Debug快捷键
3. HDU(4394)，数论上的BFS
4. 修改第三方库内容，carsh提示"image not found"
5. TCPIP协议编程：基于UDP协议的局域网聊天工具的研发
6. 微信网页授权access_token与基础支持的access_token
7. Python3.6+pyinstaller+Django
8. 线程、进程、协程和GIL（一）
9. DNS无法区域传送（axfr，ixfr）
10. 匿名函数lambda python