机器学习可行性

在银行评估贷款申请人的授信请求前，会进行风险评估。符合申请则通过，反之驳回。长时间的数据和申请使得银行从中找到了一些规律并开始learning，所以风险评估就是一个learning的过程，流程图如下：

首先target function我们是未知的，需要求解的。D就是我们的训练数据，hypothesis set就是我们的假设集合，也就是说我们的最佳函数g就是要从里面选择，learing algorithm我们称为演算法，使用这个演算法来选择最好的g，最后达到g ≈ f的结果。

先介绍一个Perceptron Algorithm---感知机

为每一个特征向量设置一个w，所以的wx相加如果大于某一个阈值，我们就设置为正例，approve credit；否则就deny了。

但其实我们一般会把阈值加进来一起预测，因为如果分开的话求导计算或者其实算法计算要分两部分。
如下变换：

设置一个X0，我们称为是1。
对于这个perceptron，对于不同的权值集合，我们就有多少种不同的线段，而这些不同的线段，其实就是假设集合，刚刚所说的hypothesis set。

perceptron的学习

一开始我们的权值肯定是一个随机值，那么学习的过程就是一个转变方向的过程了。我们通过第一个错误进行逐步的修正：

当发现了一个错误，那么这个错误肯定和我们预知的范围是相反的，比如一个mistake，wx < 0 ，意味着是在图像的下方，而w是法向量，那么就会出现w和mistake的夹角就是大于90度的了，所以需要小于90度，则只需要加上yx即可，y代表要旋转的方向。
但是每一次的改变有可能使得correct的点变成mistake，但是没有关系，迭代下去总可以找到最好的一个g。

perceptron的停止条件

对于一个集合D，如果是线性可分的，自然就分开了，但如果是线性不可分的，你们感知机就不会停止，一直迭代下去，因为只要有错误就一直进行迭代而不会找到最佳的g ≈ f。
当然对于非线性的情况我们不考虑，对于线性可分的情况，我们可以用公式表明W在变化的过程中确实是越来越接近Wf的。
当一个向量越接近一个向量的时候，如果这两个向量是单位向量，那么越接近自然越大，所以如果W*Wf变大，就可以证明percetron确实是可以学习的。

YnWfXn>0。因为y就是根据WX来分类的，这两的正负号肯定是一样的。
但是增大的可能性其实还有可能是这逼长度变化了，导致增大，所以我们要证明

是不断增大的。
推导流程如下：

所以可以证明W是随着时间的增长不断的靠近Wf的，perceptron的学习就被证明是有效的了。

回到我们要讲的机器学习可行性

举一个例子，现在有一个九宫格要我们来找规律推测出第三个九宫格里面的内容：

不同的学习方法找到的规律是不一样的，得到的g(x)也不一样。给出的这个例子里面的六个九宫格其实就是机器学习里面的数据D，我们可以找到并且看见的，而那个我们需要预测的就是我们看不见并且要预测的大数据。比如刚刚的credit card，我们要预测的其实就是所有人，而不是仅仅的只是数据集里面的。

在机器学习基石里面老师用了一个bin的例子：
在训练集D以外的样本上，机器学习的模型是很难，似乎做不到正确预测或分类的。那是否有一些工具或者方法能够对未知的目标函数f做一些推论，让我们的机器学习模型能够变得有用呢？
比如装有一个很多球的罐子：

其实这个罐子就是hypothesis set里面的一个h(x) 。罐子里面的球其实本来是没有颜色的，我们依照h(x) 的分布，把这里面的求都用油漆涂成orange and green。orange代表错误，而green代表正确。抽样抽出来的小球其实就是我们的数据集set，就是已经拿到并且是带了label那种。
我们现在就是要确定能否用抽样的比例来确定罐子里面的比例呢？
u是罐子里面orange的比例，而v则是抽样抽到的orange的比例。那么根据霍夫丁不等式有：
P[|v−u|>ϵ]≤2exp(−2ϵ2N)
当N很大的时候其实两个都是差不多的。
我们把u ≈ v称为probably approximately correct(PLA)，近似相等。

联系到机器学习上面

我们将罐子的内容对应到机器学习的概念上来。机器学习中hypothesis与目标函数相等的可能性，类比于罐子中橙色球的概率问题；罐子里的一颗颗弹珠类比于机器学习样本空间的x；橙色的弹珠类比于h(x)与f不相等；绿色的弹珠类比于h(x)与f相等；从罐子中抽取的N个球类比于机器学习的训练样本D，且这两种抽样的样本与总体样本之间都是独立同分布的。所以呢，如果样本N够大，且是独立同分布的，那么，从样本中h(x)≠f(x)的概率就能推导在抽样样本外的所有样本中h(x)≠f(x)的概率是多少。

理解的关键是我们需要通过抽样来知道h(x)的错误概率是多少，通过局部推广到全局。

这里要引入两个值：Ein值的是抽样的错误率，Eout指的是全局的错误率，这里就是指h的错误率了。
使用霍夫丁不等式：
P[|Ein(h)−Eout(h)|>ϵ]≤2exp(−2ϵ2N)
inequalty表明：在h确定了，N很打的情况下，Ein ≈ Eout，但这并不代表g≈f，因为我们后面还要知道Ein ≈ 0才行。

类比到机器学习上面

hypothesis set里面有多少个h就有多少个罐子。
但是在抽样过程中还有可能抽到坏的数据，bad sample。比如你丢一个硬币，三次向上一次向下，这并不能说明这个硬币正反面不均匀。
所以抽样也有可能抽到坏样本。

这么多个数据集，根据霍夫丁不等式，在大多数情况下，抽样得到的数据其实都是好数据，Ein ≈ Eout的，但是会有极小的情况下会出现Ein 和 Eout相差很大的情况。也就是说，不同的数据集Dn，对于不同的hypothesis，有可能成为Bad Data。只要Dn在某个hypothesis上是Bad Data，那么Dn就是Bad Data。只有当Dn在所有的hypothesis上都是好的数据，才说明Dn不是Bad Data，可以*选择演算法A进行建模。那么，根据Hoeffding’s inequality，Bad Data的上界可以表示为连级（union bound）的形式：

意味着，如果M是有限的，N很大，那么我们出现bad sample的概率会很小，Ein ≈ Eout就可以成立，再选取一个合理的演算法，就可以得到g ≈ f，机器学习就有效了。这样就有了不错的泛化能力。

要解决的问题已经M的处理

上面的讲解过后机器学习的流程：

于是就回归到了两个问题：

①Ein ≈ Eout
②Ein ≈ 0

M就是代表hypothesis set里面h的数量，M小，可以达到bad sample概率小但是选择就少了，而大的话就有可能变成大概率了。所以M需要不大不小的。
但事实上很多机器学习的hypothesis set都是M无限大的，比如SVM，linear regression，logitic regression他们的M都是无限大的，但他们的学习都是有效的，所以，很明显这里的M是可以被替换掉的。替换成一个有限的mH。

对M的处理

hypothesis set是无限的，但他的种类肯定是有限的，比如2D-perceptron要分类一个数据点：

在这个分类里面，hypothesis set是无限多个的，因为不同的w集合就不同的直线，但他的分类种数却只有两种，要不X要不O，就两种，所以可见，很多的H是有重叠的。
如果有两个点：

就四种情况。
到了三个点的时候，情况有所不一样：

这样是8种情况。
这样就是六种情况。
我们自然是要找最多的了，所以3个点2分类就是8种情况。
四个点就是14种情况。

所以我们的M其实可以被有限个替代的。如果可以保证是小于2^n次方，也就算是无限大的，他的种类也是有限的。
成长函数
成长函数的定义是：对于由N个点组成的不同集合中，某集合对应的dichotomy最大，那么这个dichotomy值就是mH(H)，它的上界是2N：

而我们刚刚的例子：

我们现在要做的就是要讨论如何限制成长函数，得到表达式或者是找到上界。

成长函数的讨论

对于一维的positive rays（正射线）：

当N = 1
mH(1) = 2
当N = 2
mH(2) = 3
所以他的mH(N) = N + 1

对于一维的positive intervals：

下面推导可以得到：

而对于一个凸集合：
他的成长函数就是2^n次方了。

所以可以看到在某些情况下，成长函数增长到一定情况下，会被限制，也就是在那个地方会小于2^n。
而这个点，我们就称为break point。在这个点和这个点以后，任何两点都不能被shatter。
shatter的意思：比如你有一把散弹枪，要求你每一关都要一枪打死所有人，第一关的时候，你一枪可以打死所有人，第二关也可以，第三关不行了，那么3就是break point了。
positive rays：N = 1的时候，shatter的情况就是 这个点等于x,o，而很明显可以达到。N = 2的时候，shatter的情况就是xx ,oo,xo ,ox，而ox是达不到的，所以2就是break point了，而N = 3的时候，就更加不能被shatter了。如果是三分类，那就要求任何三个点都不能被shatter。
其他的情况也是一样：

能不能shatter，就是看他能不能有2^{n种分类，三分类就是3}n种了。

mH(N)的限制

现在我们确定了，break point绝逼是mH(N)的一个限制，因为在那个点开始就不再是2^n的规律了。

我们现在要证明的就是，上界是plot(N)。
对于mH(N)，因为不同的模型对应的mH(N)不一样的，所以直接讨论mH(N)是很困难的，我们可以找一个上界，要讨论mH(N)就直接讨论上界就好了。上界我们设为B(N , K)。

第一列肯定是1了。
当N < K的时候，肯定是2^n次方
当N = k的时候，这个时候是第一次不能被shatter的情况，小于2^{n，那就设为2}n-1吧。其实就是算在N个点K个点不能被shatter的情况下，有多少种mH(N)。

填上三角其实很简单，现在填下三角了。
先写出B(4,3)的所以情况：

把他划分下：

上面橙色的作为a，下面紫色的作为b，有：

所以我们可以得到：

进一步推广：

所以整个就是：

最后根据递推公式，可以得到：

所以B(N ,K)的上界满足多项式。

最后我们就得到M的上界是一个多项式。
正常的想法是带回原式：

但这样是不行的，因为一个M就对应这一个Ein，但是Eout是无限个的，而替换了M成mH(N)之后，这个Ein就是有限的了，两个级数不同是不可以进行计算的。所以正确的公式：

怎么证明就不说了。最后的结果我们叫做VC bound：

总结一下流程：首先，我们的M是无限的，现在想要替换成有限个，于是我们找上界，找到了break point，发现这个点可以打破指数增长的规律；而对于不同的维度模型mH(N)是不同的，于是，准备一个上界函数B(N , K)，这样就不用再考虑维度问题了，直接找上界函数即可；之后又找到B(N , K)的上界函数是一个多项式。于是就保证了这个M是可控制的。

VC dimension

顺便说一下边界。
这样，不等式就只和K，N有关系了。根据VCbound理论：如果空间H有break point k，且N足够大，则根据VC bound理论，算法有良好的泛化能力；如果在H空间中有一个g可以使得Ein ≈ 0，则全集数据集的错误率会偏低。

下面介绍一个新名词：VC dimension
VC Dimension就是某假设集H能够shatter的最多inputs的个数，即最大完全正确的分类能力。其实就break point - 1。因为break point是最小任何两个点都不可被shatter的点。
来看一下之前的几个例子，他们的VC dimension是多少：

其实减1就行了。
现在我们用VC dimension来代替K，那么VC bound的问题就转换成了VC dimension和N的问题，自然就解决了第一个问题——Eout ≈ Ein。

VC dimension of perceptron

已知Perceptrons的k=4，即dvc=3。根据VC Bound理论，当N足够大的时候，Eout(g) ≈ Ein(g)。如果找到一个g，使Ein(g)≈0，那么就能证明PLA是可以学习的。

这是在2D的情况的情况下，如果是多维的呢？
1D perceptron ， dvc = 2；2D perceptron ， dvc = 3，我们假设，和维度有关，d维，那就是d+1。
要证明只要分两步：
dvc >= d+1
dvc <= d+1

证明dvc >= d+1
在d维里面，我们只要找到某一类的d+1个输入可以被shatter就可以了。因为找到一个符合的，其他就可以得到dvc >= d+1。
我们构造一个可逆的X矩阵：

shatter的本质是假设空间H对X的所有情况的判断都是对的，意味着可以找到权值W满足W*X = Y，而W = X^-1 * Y，所以可以得到对于d+1个输入是可以被shatter的。

证明dvc <= d+1
在d维里，如果对于任何的d+2个inputs，一定不能被shatter，则不等式成立。
我们构造一个任意的矩阵X，其包含d+2个inputs，该矩阵有d+1列，d+2行。这d+2个向量的某一列一定可以被另外d+1个向量线性表示，例如对于向量Xd+2，可表示为： Xd+2=a1∗X1+a2∗X2+⋯+ad+1∗Xd+1。所以他的*度只有d+1,因为确定了d+1个，d+2个就知道了。
所以综上所述dvc = d+1

VC dimension的理解

在perceptron中的W，被称为是features。W就像按钮一样可以随意调节，所以也叫*度。VC Dimension代表了假设空间的分类能力，即反映了H的*度，产生dichotomy的数量，也就等于features的个数。

比如，2D的perceptron，VC dimension是3,而W就是{W0,W1,W2}。

回到VC bound

上面的VC维告一段落了，回到VC bound。

这是我们之前推导得到的VC bound。
根据之前的霍夫丁不等式，如果|Ein−Eout|>ϵ，那么他发生的概率就不会超过δ；反过来，发生好的概率就是1-δ。
我们重新推导一下：

于是我们可以得到：

事实上前面的那个我们并不会太关注他，所以有：

Ω我们称为是模型的复杂度，其模型复杂度与样本数量N、假设空间H(dvc)、ϵ有关。下面是他们的图像：

该图可以得到如下结论：
dvc越大，Ein越小，Ω越大（复杂）。
dvc越小，Ein越大，Ω越小（简单）。
随着dvc增大，Eout会先减小再增大。
所以并不是越复杂的模型越好，这其实就是过拟合的理论基础，在训练集上表现的很好，但是在测试集上就很糟糕。看到这我就知道差不多理解了，舒服！

理解实际问题linear regression to linear lassification

线性回归是用来做回归拟合的，能不能做分类呢？学习过程也就是找到g ≈ f的过程可以不用担心，因为regression已经证明是可行的了，现在要解决的就是第一个问题---Eout ≈ Ein。
回归模型的错误是err = (y - y⁾2，而分类模型的错误无非就是0和1。

当y = 1：

当y = -1

很明显，回归错误大于分类错误。
原来的有：

自然根据VC bound原理了。
当然上界更加宽松一点了，效果可以没有之前的好，但是保证了Eout ≈ Ein的概率。