Machine learning 假设空间何时包含目标概念

写下来是什么意思- 假设空间包含目标概念？

---

如果可能的话，举个例子。

TLDR：这意味着你可以零错误地学习

---

下面是一个例子，它的意思是：假设一个概念：

f（a，b，c，d）=a&b&（！c |！d）

（输入在布尔域中）

此概念存在于通常由数据表示的ML任务中，因此将为您提供一个数据集：

a | b | c | d = f
--+---+---+---+---
T   T   T   T = F
T   T   T   F = T
T   T   F   T = T
   ... etc ...

你的假设空间是。在这种情况下，您的假设空间包含目标概念，您可以这样做（例如，有更多的可能性）：

可以证明，任何二进制公式（概念）都可以作为 决策树。因此，一般的二元公式是决策树的子集。这意味着，当你知道这个概念是一个二元公式（你甚至可能不知道）时，你将能够用一个零错误的决策树（给出足够的例子）来学习它

另一方面，如果您想通过 ，您不能这样做，因为二进制公式不是单调连词的子集

（所谓子集，我指的是可能的概念。从子集关系中，可以说明在假设空间中包含目标概念。）

单调连词是一组连词，其中的变量不求反。当任何一个连词为真时，输出也为真。是不能使用否定的一个子集

有些概念可以通过montone连接词学习，但不能通过它学习一般的二进制公式概念。这意味着，您将无法零错误学习，一般的二进制公式不是单调连词的子集。

---

这是普林斯顿大学关于ML基础知识的一个很好的PDF:

我想说的不是“零误差”，而是“贝叶斯误差”或“可能的最小误差”，因为有时目标概念本质上是不确定的（因此贝叶斯风险不是零）。ML讲座中的概念是一种终端技术，适用于单一输入不能有不同输出的情况。唯一输入组合可以在概念中，也可以不在概念中。这是一套干净利落的餐具。这就是为什么我写了零错误。