Probably Approximately Correct learning framework

在計算學習理論中，可能近似正確的學習（PAC學習）是機器學習的數學分析的框架。它由Leslie Valiant於1984年提出。 [1]在這個框架中，學習者接收樣本並且必須從某類可能的函數中選擇泛化函數（稱爲假設）。 目標是，具有高概率（「可能」部分），所選擇的函數將具有低泛化誤差（「近似正確」部分）。給定任意近似比，成功概率或樣本分佈，學習者必須能夠學習概念。該模型後來擴展到處理噪聲（錯誤分類的

>>阅读原文<<