我們用罐子取彈珠來模擬機器學習，罐子裡的彈珠模擬x，假設我們已經通過機器學習得到了hypothesis h(x)，用這個h(x)分類正確的x設為綠色彈珠，分類錯誤設為橘色彈珠，為了能估計eout，我們取出一些彈珠求出綠色彈珠的比例，即求ein，就能估計eout，而能為我們的估計作出保證的就是hoeffding不等式。
但是上述這一過程並沒有進行機器學習，因為我們已經事先得到了乙個hypothesis，而沒有從許多hypothesis中進行選擇的過程。實際上，上述方法用於validation中，進行validation的時候，我們已經完成了學習到最好的hypothesis的過程，即已經得到了乙個h，我們就通過hoeffding不等式保證這個h的eout到底有多好。
那麼真正的學習有許多hypothesis選擇又會怎麼樣呢？首先我們用從丟硬幣可以知道，當丟的次數很多時，小概率事件會發生。
換到機器學習中，對於某堆抽出來的資料，如果我們有很多hypothesis供我們選擇，那麼我們有很大可能剛好有某個hypothesis對這堆資料表現很好，它的ein很低，然而實際上eout卻不是那麼好，與ein相差很大。hoeffding不等式保證我們大部分情況下資料ein和實際的eout很接近，但是仍然有小部分資料是不好的，而大量的選擇會增大這種不好的機率。
所以我們需要選擇乙個好的資料，這個資料能讓演演算法自由自在做選擇，即當我們有許多hypothesis選擇時，這些hypothesis作用在資料上得到的ein和eout都很接近，我們不用擔心會踩到雷。而只要在乙個hypothesis上，ein和eout差的很遠，那這就不是好的資料。
我們可以算出不是好的資料的概率：
最後我們可以得到，如果hypothesis是有限的，然後抽出來的資料又足夠大，那麼對於任意的演演算法來說，我們都可以保證ein和eout很接近。然後如果有乙個演演算法的ein很小，我們就有很大把握知道eout也會很小，就能學習到乙個好的演演算法。
第四周筆記
1.class的get set方法 提供相對安全方式訪問成員變數 2.class的建構函式 作用 初始化物件的屬性 特點 a.沒有函式返回值 b.函式名與型別相同 c.可以過載 d.例項乙個物件會自動呼叫建構函式 3.class的析構函式 作用 釋放物件給屬性分配空間 特點 a.無返回值 b.不能過...
第四周筆記 c Boolan
從這週開始，進入了c 下半部分的學習，這周學習的東西相對之前來說比較瑣碎，但都是值得注意的地方。一 轉換函式 轉換函式是一種特殊型別的類成員函式。它定義了乙個由使用者定義的轉換，以便把乙個類物件轉換成某種其他的型別。在類的宣告中，通過指定關鍵字operator，並在其後加上轉換的目標型別可以來宣告轉...
第四周筆記整理（1）
boolean，byte，char，short，int，long，float，double boolean，byte，character，short，integer，long，float，double 整數型別資料均有快取機制，如果在該範圍內從快取陣列取出，不會例項化新的物件，預設範圍 128 12...