[FML]学习笔记二 PAC Learning Model

对于一个concept class C，如果存在一个算法A和一个多项式poly(.,.,.,.),有对于任意的ε>0、δ>0以及X的任意分布D和任何target concept C，当sample size m>=poly(1/ε,1/δ,n,size(c))时，不等式：

都成立，那么就说这个concept class C是PAC-learnable的。

(1).n：x的维度。

(2).size(c):

O(n):an upper bound on the cost of the computational representation of any element xЄX。对于一个维度为n的用数组表示的x来说要计算的话时间复杂度最高就是O(n)。

size(n):the maximal cost of the computation representation of cЄC。同O(n)的解释，可以看做就是c的大小。

如果算法A的样本复杂度关于1/δ,1/ε,n,size(c)的大小是多项式的，那么就说C是efficiently PAC-learnable的。当这样的A存在的时候，该算法A被叫做concept class C的PAC learning algorithm。

对于PAC-learnability还有一些要注意的地方：

(1).PAC对于x的任意分布D都是成立的。

(2).虽然对分布没有限定，training sample和testing sample都要产生与同一个分布D。

(3).PAC所解决的是一个concept class C的可学习性问题，并不针对一个特别的concept c(通常target c也是未知的但C是已知的)。

一个例子：

如图，X=R^2，concept class C是在R^2上的所有边与坐标轴平行的矩阵，目标是求得一个concept C使得矩阵内部的点都为1(蓝点)，矩阵外部的点都为2(红点)。对于这个问题设计了一个非常简单的算法，算法返回包含了所有label为1的点的最小的矩阵。

假设算法返回的矩阵为R'，我们沿R的四个边做四个矩形为r1,r2,r3,r4，并令它们的probability mass等于ε/4，如果我们要使R(R')也就是R'的gerneralization error大于ε，那么R'不能和四个矩阵都有交集，否则R-R'=R(R')必小于ε。也就是R'至少要和一个矩阵ri没有交集。

于是有：

（1）:由于Rs与ri没有交集等价于没有蓝点落在ri中，又ri在target concept R中，所以没有红点落在ri中，综合下也就是没有点落在ri中，每个点落在ri的概率为ε/4，那么对于每个ri，m个点都不落在其中的概率为(1-ε/4)^m，有四个ri。

（2）:为exp^(-x)的泰勒展开缩放。

由此得：

也就是样本大小m在满足上述不等式时能够保证concept space是PAC Learnable的。这里对于1/δ是ln复杂度，对于1/ε是线性复杂度，总的来说是efficiently PAC-learnable的。

上面矩阵的例子是对于PAC在一种特殊情况下的证明，下面我们试着推广至更多的情况：

1.finite H,consistent case

假设H为X至Y的一个有限空间函数集，对于任何目标concept cЄH以及独立同分布的样本集S，算法A都能返回一个与S一致的hypothesis hS，也就是Rhat(hS)=0.那么有对于任意的ε,δ>0：

如果：

则

都成立。

改写上式得到相应的generalization bound：

证明：我们要限制出现某个h和sample一致(consistent)，但是error大于ε的情况发生的概率：

最后一步根据P(A∧B)=P(A|B)*P(B)<P(A|B)。

又有：

带入可得：

设不等式右边等于δ得证。

2.finite H,inconsistent case

H是一个有限的假设空间，对于任意δ>0，以至少1-δ的概率，有：

证明：Corollary(1):

固定ε>0，S为大小为m的i.i.d分布的样本集，那么对于任意hypothesis h:X->{0,1},下面的不等式都成立：

证明:直接使用Hoeffiding不等式可得。

Corollary(2):

单个hypothesis的generalization bound:

H是一个有限的假设空间，那么对于任意的δ>0，以至少1-δ的概率有:

证明:假设corollary(1)不等式右边等于δ可得。

定理证明：

最后一步运用Corollary(1)，设不等式右边等于δ原式得证。

注意到，这里得到的bound要求我们在empirical error和H的大小中寻求一个平衡，一个大的H虽然会增加第二项的值但是会同时减少empirical error。当然，当empirical error差不多时，要尽量选择大小更小的hypothesis set，这也符合了Occam剃刀原则。