5.2 ESTIMATING HYPOTHESIS ACCURACYW

5.2 ESTIMATING HYPOTHESIS ACCURACY
When evaluating a learned hypothesis we are most often interested in estimating
the accuracy with which it will classify future instances. At the same time, we
would like to know the probable error in this accuracy estimate (i.e., what error
bars to associate with this estimate).
Throughout this chapter we consider the following setting for the learning
problem. There is some space of possible instances X (e.g., the set of all people)
over which various target functions may be defined (e.g., people who plan to
purchase new skis this year). We assume that different instances in X may be encountered with different frequencies.A convenient way to model this is to assume
there is some unknown probability distribution D that defines the probability of
encountering each instance in X (e-g., 23 might assign a higher probability to encountering 19-year-old people than 109-year-old people). Notice 23 says nothing
about whether x is a positive or negative example; it only detennines the probability that x will be encountered. The learning task is to learn the target concept
or target function f by considering a space H of possible hypotheses. Training
examples of the target function f are provided to the learner by a trainer who
draws each instance independently, according to the distribution D, and who then
forwards the instance x along with its correct target value f ( x ) to the learner.
To illustrate, consider learning the target function "people who plan to purchase new skis this year," given a sample of training data collected by surveying
people as they arrive at a ski resort. In this case the instance space X is the space
of all people, who might be described by attributes such as their age, occupation,
how many times they skied last year, etc. The distribution D specifies for each
person x the probability that x will be encountered as the next person arriving at
the ski resort. The target function f : X + { O , 1 ) classifies each person according
to whether or not they plan to purchase skis this year.
Within this general setting we are interested in the following two questions:
1. Given a hypothesis h and a data sample containing n examples drawn at
random according to the distribution D, what is the best estimate of the
accuracy of h over future instances drawn from the same distribution?
2. What is the probable error in this accuracy estimate?

Kết quả (Việt) 1:

5.2 ƯỚC HYPOTHESIS CHÍNH XÁCKhi đánh giá một giả thuyết học chúng ta quan tâm thường xuyên nhất ở ước tínhđộ chính xác mà nó sẽ phân loại các trường hợp trong tương lai. Cùng lúc đó, chúng tôimuốn biết các lỗi có thể xảy ra trong này ước tính độ chính xác (tức là, những gì lỗithanh liên kết với các ước tính này).Trong chương này, chúng tôi xem xét các thiết lập sau đây cho học tậpvấn đề. Một số không gian có thể có trường hợp X (ví dụ, các thiết lập của tất cả mọi người)qua đó có thể được định nghĩa chức năng mục tiêu khác nhau (ví dụ, những người có kế hoạchmua ván trượt mới năm nay). Chúng tôi giả định rằng các trường hợp khác nhau trong X có thể gặp phải với tần số khác nhau. Một cách thuận tiện để mô hình này là giả địnhđó là một số không biết xác suất phân phối D xác định xác suấtgặp phải mỗi trường hợp X (e-g., 23 có thể gán một xác suất cao cho gặp 19-year-old người hơn 109 tuổi người). Thông báo 23 nói gìvề việc liệu x là một ví dụ tích cực hay tiêu cực; nó chỉ detennines xác suất rằng x sẽ được gặp. Nhiệm vụ học tập là để tìm hiểu các khái niệm mục tiêuhoặc nhắm mục tiêu các hàm f bằng cách xem xét một không gian H của giả thuyết có thể. Đào tạoVí dụ về các mục tiêu hàm f được cung cấp cho người học một huấn luyện viên ngườirút ra mỗi trường hợp một cách độc lập, theo phân phối D, và sau đótrường hợp chuyển tiếp x cùng với mục tiêu chính xác giá trị f (x) để người học.Để minh họa, hãy xem xét học hàm mục tiêu "những người có kế hoạch mua mới ván này năm nay," được đưa ra một mẫu dữ liệu huấn luyện được thu thập bởi khảo sátnhững người như họ đến một khu trượt tuyết. Trong trường hợp này không gian ví dụ X là không gianTất cả người, có thể được mô tả bằng các thuộc tính như tuổi tác, nghề nghiệp,bao nhiêu lần họ skied năm ngoái, vv. Phân phối D chỉ định cho mỗingười x xác suất rằng x sẽ được gặp phải là người tiếp theo đếnski resort. Mục tiêu hàm f: X + {O, 1) mỗi người theo phân loạiđể có hoặc không họ có kế hoạch mua ván trượt năm nay.Trong cài đặt chung này, chúng tôi đang quan tâm đến hai câu hỏi sau đây:1. đưa ra một giả thuyết h và một mẫu dữ liệu chứa n ví dụ vẽ tạingẫu nhiên theo phân phối D, những gì là các ước tính tốt nhất của cácđộ chính xác của h trong tương lai các trường hợp được rút ra từ bản phân phối tương tự?2. là gì có thể xảy ra lỗi trong ước tính độ chính xác này?

Kết quả (Việt) 2:

5.2 TÍNH GIẢ THUYẾT CHÍNH XÁC
Khi đánh giá một giả thuyết đã học chúng ta thường quan tâm nhiều nhất trong việc dự đoán
chính xác mà nó sẽ phân loại các trường hợp tương lai. Đồng thời, chúng tôi
muốn biết các lỗi có thể xảy ra trong dự toán chính xác này (tức là cái lỗi
thanh để kết hợp với ước tính này).
Trong suốt chương này chúng ta xem xét sau thiết cho việc học tập
vấn đề. Có một số không gian của trường có thể X (ví dụ, các thiết lập của tất cả mọi người)
qua đó các chức năng mục tiêu khác nhau có thể được xác định (ví dụ, những người có kế hoạch
mua ván trượt mới trong năm nay). Chúng tôi cho rằng trường hợp khác nhau trong X có thể gặp với frequencies.A khác nhau cách thuận tiện để mô hình này là giả định
có một số khả năng biết phân phối D định nghĩa xác suất
gặp phải mỗi trường hợp trong X (ví dụ., 23 có thể gán một xác suất cao hơn để gặp những người 19 tuổi so với những người 109 tuổi). Thông báo 23 nói gì
về việc liệu x là một ví dụ tích cực hay tiêu cực; nó chỉ detennines xác suất x sẽ gặp phải. Các nhiệm vụ học tập là để tìm hiểu những khái niệm mục tiêu
hoặc mục tiêu hàm f bằng cách xem xét một H không gian giả thuyết có thể. Đào tạo
ví dụ của hàm mục tiêu f được cung cấp cho người học của một huấn luyện viên người
rút mỗi trường một cách độc lập, theo sự phân bố D, và những người sau đó
sẽ chuyển tiếp các ví dụ x cùng với giá trị mục tiêu f đúng của nó (x) cho người học.
Để minh họa , xem xét học hàm đích "những người có kế hoạch mua ván trượt mới trong năm nay," cho một mẫu dữ liệu đã thu bằng cách khảo sát
người khi họ đến một khu nghỉ mát trượt tuyết. Trong trường hợp này, không gian dụ X là không gian
của tất cả mọi người, những người có thể được mô tả bởi các thuộc tính như tuổi tác, nghề nghiệp của họ,
bao nhiêu lần họ skied năm ngoái, vv Sự phân bố D quy định cụ thể cho từng
người x xác suất mà x chí thể gặp phải như người kế tiếp đến tại
các khu nghỉ mát trượt tuyết. Các chức năng mục tiêu f: X + {O, 1) phân loại từng người theo
hay không, họ có kế hoạch mua ván trượt trong năm nay.
Trong bối cảnh tổng quát này, chúng tôi quan tâm đến hai câu hỏi sau đây:
1. Cho một h giả thuyết và một mẫu dữ liệu có chứa n ví dụ vẽ tại
ngẫu nhiên theo sự phân bố D, ước tính tốt nhất của những gì là
chính xác của h trên trường hợp tương lai rút ra từ cùng một phân phối?
2. Các lỗi có thể xảy ra trong dự toán chính xác này là gì?