From 802466442b010b468ef54da4d942bf845e7a10d6 Mon Sep 17 00:00:00 2001 From: liyujun Date: Wed, 14 Dec 2016 23:32:30 +0800 Subject: [PATCH] chapter15 fix VC Former-commit-id: 43b113434c1c3a42b844c11979953b1d45ecbb31 --- Chapter15/representation_learning.tex | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/Chapter15/representation_learning.tex b/Chapter15/representation_learning.tex index ea3bbf3..5c1db0b 100644 --- a/Chapter15/representation_learning.tex +++ b/Chapter15/representation_learning.tex @@ -588,7 +588,7 @@ \section{\glsentrytext{distributed_representation}} 对于为什么基于\gls{distributed_representation}的模型泛化能力更好的另一个说法是，尽管能够明确地编码这么多不同的区域，但它们的容量仍然是很有限的。 -例如，线性阀值单位的\gls{NN}的VC纬度仅为$O(w\log w)$，其中$w$是权重的数目\citep{sontag1998vc}。 +例如，线性阀值单位的\gls{NN}的\glssymbol{VC}维仅为$O(w\log w)$，其中$w$是权重的数目\citep{sontag1998vc}。 这种限制出现的原因是，虽然我们可以为表示空间分配非常多的唯一码，但是我们不能完全使用所有的码空间，也不能使用\gls{linear_classifier}学习出从表示空间$\Vh$到输出$\Vy$的任意函数映射。 因此使用与\gls{linear_classifier}相结合的\gls{distributed_representation}传达了一种先验信念，待识别的类在$\Vh$代表的潜在因素的函数下是线性可分的。 我们通常想要学习类别，例如所有绿色对象的所有图像集合，或是汽车的所有图像集合，但不会是需要非线性XOR逻辑的类别。