PAC模型——概率近似正确模型
拿到一个数据，得到一个模型
，
是真实的结果。
因此 可以表示成预测结果准不准的公式。
比方说西瓜切开之后，是不是好西瓜就是y ，而这个根据颜色，纹理，根蒂，判断西瓜好不好就是模型f(x)。
表示式希望其差别小于一个很小的数，比如说0.0001，那非常准确，如果差值为0，那是绝对正确。
我们希望得到f(x)，但是并不是每一次都可以得到。因此，我们是希望有更高的概率得到f(x)。于是得到公式：
即，得到一个相对准确的f(x)模型的概率很高，在 很小的时候，就大概率能拿到对应的f(x)。如果
为0，那就绝对能拿到f(x)。
由此产生两个疑问：
第一， 为什么不能得到0；
第二，为什么f(x）是概率能拿到，而不是一定能拿到？
首先，机械学习有高复杂性，高度不确定性。
周老师举例，故障诊断有三个指标，其中如果温度超过90度，一定会出问题。这是确定的知识，规则，确定的公式。但是很多时候问题并不清晰，例如，低于90度出问题，高于90度不会出问题。、
现实有很多因素起作用，而我们又不清楚具体是什么样的作用时，我们才会使用机械学习。
知识已经不能给我精确结果，希望从数据里分析，希望数据能拿到答案，那就不能指望是百分百准确的，因为这不是清楚了解的问题。
从计算要求看，还有P 是否等于 NP 的问题。
通俗点理解，P问题是在多项式时间里，能找到问题的解。
NP问题是多项式时间里，给一个解，判断是不是解。
以谷歌搜索为例，P问题是在多项式时间里找到最佳搜索结果，NP问题是给一个搜索结果，在多项式时间里，判断是不是最佳结果。显然都不能，所以很多问题难度是NP问题之外。
最后可以得到，如果 和
都为零，那P = NP，甚至于等于NP以外的内容，这是不正确的。因此这里解答了第二个疑问。
注：多项式时间（Polynomial time）在计算复杂度理论中是一个衡量算法运行时间的概念。当一个问题可以被一个算法解决，而这个算法的运行时间随着输入大小的增长而以多项式的速率增长，那么我们说这个算法在多项式时间内解决了这个问题。
书籍参考：《机械学习》 周志华 清华大学出版社 2016年版
视频参考：周志华老师亲讲-西瓜书全网最详尽讲解-1080p高清原版《机器学习初步》 B站
标签：问题,多项式,模型,拿到,机械学习,PAC,NP,008 From： https://blog.csdn.net/AI_freshfish/article/details/140253909