第五节主要讨论M的数值大小对机器学习的影响。如果M很大，那么就不能保证机器学习有很好的泛化能力，所以问题就转化为验证M有限，即最好按照多项式成长。然后通过引入了成长函数和dichotomy以及break point的概念。提出2D perceptrons的成长函数
是多项式级别的猜想。以下探讨这个多项式的形成。
Restriction of Break Point
之前介绍的四种成长函数与break point之间的关系为：
计算k=2的时候，不同的N值成长函数是多少？N=1时，
=2；当N=2时，由break point=2知任意两点都不能被shattered（即不能分解为
中dichotomies），
最大值只能是3；当N=3时，简单绘图分析可得
=4，即最多只有4种dichotomy。
可以发现，当N>k时，break point限制了值的大小，也就是说影响成长函数
的因素主要有两个：
抽样数据集N
break point k（这个变量确定了假设的类型）
那么，给定N和k，就能够证明的最大值的上界是多项式的，则根据hoeffding不等式，使用
代替M，得到机器学习是可行的。因此，证明了
的上界是poly(N)，是我们的目标。
Bounding Function：Basic Cases
扫描二维码关注公众号，回复：
3057581 查看本文章
