统计量复杂性估计及其在机器学习中的应用  

The Statistic Complexity Estimates and Its Application to Machine Learning

作　　者：胡政发[1] 

机构地区：[1]湖北汽车工业学院理学部,十堰442002

出　　处：《自动化学报》2008年第10期1332-1336,共5页Acta Automatica Sinica

基　　金：国家自然科学基金(10371033)资助~~

摘　　要：定义并估计了假设空间的统计量复杂性.据此可以找到一个基数性不超过假设空间的VC(Vapnik-Chervonenkis)维多项式级的线性经验泛函集,利用该线性经验泛函集可以构造以所需的任意精度逼近假设空间中的任一函数的学习算法.同时给出了随机生成这些泛函的方法.The concept and the estimates of statistic complexity are given in this paper. We show that for a function class with a polynomial rate of the VC dimension, one can find a set of linear empirical functionals of polynomial size in the dimension that are sufficient for constructing a learning algorithm which can approximate any function in the class. At the same time, a random procedure to select these functionals is given.

关 键 词：统计量复杂性 L-范数 VC维 Glivenko-Cantelli类 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] O29[自动化与计算机技术—控制科学与工程]