有限多和无限多Hypothesis优劣势对比

当hypothesis数量有限的时候（如下图small M），我们可以较为轻易的实现$E_{in}(g) \approx E_{out}(g)$，但是却有一个弊端，那就是我们的选择太有限，不能保证能够找到足够好的g。
当hypothesis数量无限的时候（如下图large M），我们会有更大的选择空间，能够保证我们找到相对较好的g，但是我们犯错$E_{in}(g) \neq E_{out}(g)$的几率也变得更大了

虽然无限多个M可以让我们有更大的选择余地，但是这无疑增加了我们的计算难度，所以我们要想办法解决这个问题。

化无限为有限

既然无限多个M对我们的计算不利，那么有没有一种办法可以把无限的M变为有限的呢？答案是肯定的！接下来我们要做如下变换：
$P[|E_{in}(g)-E_{out}(g)|>ϵ] \leq 2 \cdot M \cdot exp(-2ϵ^2N) \Rightarrow P[|E_{in}(g)-E_{out}(g)|>ϵ] \leq 2 \cdot m_{H} \cdot exp(-2ϵ^2N)$

还记得我们在第17节推导公式
$P[|E_{in}(g)-E_{out}(g)|>ϵ] \leq 2 \cdot M \cdot exp(-2ϵ^2N)$的过程吗？

如上图，当时我们用了连集加法的形式推导，但是我们忽略了一个问题，那就是每一个BAD概率之间的重叠问题，表现如下：

那么我们是否可以以此作为切入点，想办法把无限的M转为有限的M。答案也是肯定的，让我们继续往下看吧。

对hypothesis进行归类

要找到重叠的hypothesis，我们可以把所有的hypothesis先进行归类。我们知道，我们用于训练的数据是有限的，那么可以简单讨论以下几种情况：

• 只有一条数据的时候
  如下图，只有两种不同的分类，$X_1$对于A和B箭头所指的方向表示圈圈+1，但对于C则表示叉叉-1。
  

• 有两条数据的时候
  如下图，有四种不同的分类，具体如下图：
  

• 有三条数据的时候
  这种情况就相对比较复杂一点，当三条数据不在同一条直线上的时候，我们可以分成8种类别：
  
  如果在同一条直线上，那么只会有6种不同的分类，如下图，被圈起来的两种分类我们是无法实现的。
  
• 有四条数据的时候
  这里有几种情况，比如四条数据在同一条直线上，或者出现数据重叠的情况等。现在我们只讨论四条数据不在同一条直线上的时候，可以产生14种分类，其中圈起来的那种分类我们无法实现，其他的都可以。因为图中每种分类方法又有一个对称面，所以有$2 \times 7=14$种分类。
  

通过观察我们发现有效的线一般小于$2^N$，即：

有效的线的数量（effective number of line）

我们通过上面的观察我们发现，一般情况下有效的分类线会小于M，所以现在我们可以做出一个重要的式子变换，用effective(N)来代替M，即：
$P[|E_{in}(g)-E_{out}(g)|>ϵ] \leq 2 \cdot M \cdot exp(-2ϵ^2N) \Rightarrow P[|E_{in}(g)-E_{out}(g)|>ϵ] \leq 2 \cdot effective(N) \cdot exp(-2ϵ^2N)$

又因为 $effective(N)<2^N$，
所以当N足够大的时候$2 \cdot effective(N) \cdot exp(-2ϵ^2N)$会接近0.
这时候就说明$P[|E_{in}(g)-E_{out}(g)|>ϵ]$发生坏事的几率会很低，说明我们找到了一条很合适的线g，机器学习成功了。

这里要复习一下exp(X)函数，该函数是以e为底的指数函数，以下是该函数的性质图，X越小，越接近于0.

上面的内容都只是我们的猜想，我们还需要进一步做严谨的证明，下一节课继续！好困啊…

===========================懵逼分割线===========================

欢迎大家加入Q群讨论：463255841

===========================懵逼分割线===========================