我看到的概念类的正式定义是
所有真函数的类
数学上：
假设是：
但大多数时候它们是一起使用的。例如在 PAC 的定义中
如果对于所有概念 𝑐∈𝐶，分布在 𝑋 上，真实错误概率 0≤𝜖≤1/2，失败概率 0≤𝛿≤1/2，学习器 𝐿输出一个假设 ℎ∈𝐻 使得
真实误差小于或等于𝜖
计算时间是多项式 1/𝜖,1/𝛿，数据对象的表示大小和概念的表示大小
有什么区别？
概念类和假设有什么区别
数据挖掘
机器学习
2021-09-24 16:16:34
2个回答
如果有人要求，那么这被称为“适当的 PAC”框架，与“PAC 预测”相比，我们不关心只要预测误差足够小（即我们允许成为所有时间多项式程序的类）。
您可以将概念视为产生相同标签的一组输入（例如，显示椅子的所有图像形成概念“椅子”或同一半空间中的所有点形成概念“真/假”）。
概念类C是一组真函数f。假设类H是一组候选者，用于制定作为学习算法的最终输出，以很好地逼近真实函数f。在查看数据（训练过程）之前选择假设类H。C和H可以相同也可以不同，我们可以独立对待它们。