【机器学习习题】估计一个模型在未见过的数据上的性能

您提到的不等式是统计学中的泛化误差界(generalization error bound),它用于估计一个模型在未见过的数据上的性能。这个不等式是由Hoeffding不等式和Union Bound组合而成的。在这个不等式中,我们有以下符号:

  • P\|E_in(g) - E_out(g)\| \> ε :这是泛化误差超过ε的概率 。

  • ε :可容忍的差值。

  • M :假设模型类别的大小(例如,假设我们正在训练的模型有多少个可能的候选)。

  • N :数据集的大小。

  • δ :可容忍的BAD概率(也称为置信度)。

  • c:一个常数,通常设置为1。

您的目标是找到一个数据集的大小N,以便满足给定的ε和δ,并保证泛化误差不会超过ε。

根据不等式,我们可以设置:

P\|E_in(g) - E_out(g)\| \> ε ≤ 2*M*exp(-2*ε^2*N)

然后,我们可以将这个概率与可容忍的BAD概率δ相等,以找到数据集的大小N:

2*M*exp(-2*ε^2*N) = δ

现在,您提供了ε=0.1,δ=0.05,M=100。我们可以将这些值代入上述方程,并解出N:

2*100*exp(-2*0.1^2*N) = 0.05

现在,我们来解这个方程以找到N:

exp(-2*0.1^2*N) = 0.05 / (2*100)

exp(-2*0.01*N) = 0.00025

使用自然对数的性质,我们可以继续解这个方程:

-2*0.01*N = ln(0.00025)

N = ln(0.00025) / (-2*0.01)

N ≈ 6907.76

因此,需要大约6908个数据点来满足给定的ε=0.1和δ=0.05,以确保泛化误差不会超过0.1。

请注意,这个结果是一个估计值,实际情况可能会受到数据分布和模型选择等因素的影响。此外,对于不同的问题和模型,可能需要不同的训练数据量来满足给定的泛化误差和置信度要求。

相关推荐
用户2707059662598 分钟前
Copilot平替方案怎么选:主流工具横向对比
人工智能
好悬给我拽开线19 分钟前
EasyHeC++ 用预训练图像模型实现全自动手眼标定
人工智能
Bacon24 分钟前
把 Codex 装进 Mac 刘海:Codex Notch 安装与使用指南
人工智能
吕炘嵘32 分钟前
DPO loss 降了 75%,模型却没变好:我给手搓 LLM 补了一套评估系统
人工智能
程序员cxuan35 分钟前
推荐 10 个 WorkBuddy 中的邪修用法
人工智能·后端·程序员
花椒技术37 分钟前
数字人为什么突然爆发?从 H3 Max Lip Sync 看生成式数字人的临界点
人工智能·aigc
初学AI的小高39 分钟前
VFM:让 Agent 同时接受上千条自然语言规则的运行时检查
人工智能
我si绝版1 小时前
OpenClaw 安装步骤
人工智能
Seiran1 小时前
用Grok 4.7在ZEEKEAI啃长文档的提效实战
人工智能
Bacon1 小时前
给项目做一次"全身 CT":Agent Skills 生态里的代码体检全链路
前端·人工智能·后端