Theory of Generalization
Restriction of Break Point
很明显,当N=1时,
=2,;当N=2时,由break point为2可知,任意两点都不能被shattered(shatter的意思是对N个点,能够分解为
种dichotomies);
最大值只能是3;当N=3时,简单绘图分析可得其
,即最多只有4种dichotomies。
所以,我们发现当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,如果给定N和k,能够证明其 的最大值的上界是多项式的,则根据霍夫丁不等式,就能用 )代替M,得到机器学习是可行的。所以,证明 的上界是poly(N),是我们的目标。
Bounding Function:Basic Cases
- 当k=1时,B(N,1)恒为1。
- 当N < k时,根据break point的定义,很容易得到 。
- 当N = k时,此时N是第一次出现不能被shatter的值,所以最多只能有
个dichotomies,则B(N,k)=
。
Bounding Function:Inductive Cases
以B(4,3)为例,首先想着能否构建B(4,3)与B(3,x)之间的关系。
首先,把B(4,3)所有情况写下来,共有11组。也就是说再加一种dichotomy,任意三点都能被shattered,11是极限。
对这11种dichotomy分组,目前分成两组,分别是orange和purple,orange的特点是,x1,x2和x3是一致的,x4不同并成对,例如1和5,2和8等,purple则是单一的,x1,x2,x3都不同,如6,7,9三组。
然后根据分组,对橙色部分分为2
,紫色部分分为
,那么
。然后我们将x4去掉,同时将橙色重复部分去除,即得
。已知任意3个点在上述11个分组中不能shatter,那么对于我们经过删减的
来说,它们也不能shatter。也就说明了
.
另一方面,由于
中x4是成对存在的,且
是不能被任意三点shatter的,则能推导出
是不能被任意两点shatter的。这是因为,如果
是能被任意两点shatter,而x4又是成对存在的,那么x1、x2、x3、x4组成的
必然能被三个点shatter。这就违背了条件的设定。这个地方的推导非常巧妙,也解释了为什么会这样分组。此处得到的结论是
由此得出B(4,3)与B(3,x)的关系为:
最后,推导出一般公式为:
根据推导公式,下表给出B(N,K)值
根据递推公式,推导出B(N,K)满足下列不等式:
上述不等式的右边是最高阶为k-1的N多项式,也就是说成长函数
的上界B(N,K)的上界满足多项式分布poly(N),这就是我们想要得到的结果。
得到了
的上界B(N,K)的上界满足多项式分布poly(N)后,我们回过头来看看之前介绍的几种类型它们的
与break point的关系:
我们得到的结论是,对于2D perceptrons,break point为k=4,
的上界是
。推广一下,也就是说,如果能找到一个模型的break point,且是有限大的,那么就能推断出其成长函数
有界。
A Pictorial Proof
我们已经知道了成长函数的上界是poly(N)的,下一步,如果能将
代替M,代入到Hoffding不等式中,就能得到
的结论:
但是实际的表达式并不是这样的:
推导如下:
得到最后的VC bound:
对于已知的2D perceptrons,它的break point是4,那么成长函数
。所以,我们可以说2D perceptrons是可以进行机器学习的,只要找到hypothesis能让
,就能保证
。
总结
本节课我们主要介绍了只要存在 break point,那么其成长函数 就满足 poly(N)。推导过程是先引入 的上界 B(N,K),B(N,K) 的上界是 N 的 k−1阶多项式,从而得到 的上界就是 N 的k−1阶多项式。然后,我们通过简单的三步证明,将 代入了 Hoffding 不等式中,推导出了 Vapnik-Chervonenkis(VC) bound,最终证明了只要 break point 存在,那么机器学习就是可行的。