让我们从机器学习末尾。为了研讨可学习性成绩,我们需求一个准确的数学框架来分析机器学习。为了这个目的,莱斯利·瓦利安特(Leslie Valiant)在1984年引入了能够近似正确学习模型(probably approximately correct learning ,PAC-learning)。
能够近似正确学习的想法很简单:学习者接收关于某个成绩的大批信息,然后根据这些数据输入一个普通性的假设。例如,学习者可以接收照片和关于这些照片中能否有猫的信息。然后,学习者必须选择一个函数来决议给定的照片中能否包含一只猫。
能够近似正确学习模型的名字来自于这样一个理想,即我们要求学习者选择一个具有高概率的近似正确的函数。总之,假如学习者能够选择一个近似正确的函数,那么这个成绩就是能够近似正确学习的。
延续统假设
康托尔的延续统成绩是什么1878年,数学家康托尔(Georg Cantor))提出一个成绩:实数的一切子集是与自然数逐一对应,还是与实数逐一对应。这就是所谓的延续统假设。
哥德尔和科恩证明了这个成绩是可从ZFC公理体系(the Zermelo-Fraenkel axioms of set theory)中断定。他们指出,既没有证据证明延续统假设,也没有证据反驳它。延续统假说是不可证明的,它的否定也是不可证明的。
可学习性与延续统假设的关系