原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
统计学习理论-read
6
统计学习理论
1
6 统计学习理论简介
• 重点讨论的问题
– 学习的统计性能：通过有限样本能否学到其中的
规律？
– 学习算法收敛性：学习过程是否收敛?收敛的快慢
程度?
– 学习的计算复杂性：学习器复杂性、样本复杂性
（学到真正的规律所需样本数）与计算复杂性?
•面对的基本问题
– 模式识别（分类）
– 回归分析（函数逼近）
– 概率密度估计
2
6 统计学习理论简介
• 学习的方式是监督学习，包含：
x
– 环境，提供一组来自固定但未知概率分布的向量 。
x
– 教师，为每个从环境中获得的输入向量 ，根据固定但未
p (x , t) t
知的联合概率 给出期望响应 ，满足未知关系：
t f ( x )
– 学习器，实现一组输入输出的映射：
y F (x , w)
y
其中 是学习器产生的实际输出， 是自由参数（如权）。
w
• 学习的目的是寻找泛化（推广）能力最好的学习器
– 根据有限个独立同分布的训练样本{(x ,t ),(x ,t ),...,(x ,t )}
1 1 2 2 Q Q
{F (x , w)} f (x)
在一组函数 中求一个能最优逼近期望函数 的
函数y F (x , w )，使损失或差异最小，即泛化能力最好。
0
3
6 统计学习理论简介
• 期望风险
在一函数族{F (x , w)} 中求一个最优函数F (x , w ) ，
0
使预测期望风险
R (w) ∫L (t, F (x , w))dp (x , t)
最小。其中{F (x , w)} 称预测函数集（或函数类）；
L (t, F (x , w)) F (x , w) t
为由于用 对 进行预测而产生的
损失，称为损失函数，在模式识别和回归问题中它
的常见基本定义是：
o ,t F ( x , w )
文档评论（0）