[译] 机器学习中常用的几个概率不等式及证明

点击上方“ 大数据与人工智能 ”，“星标或置顶公众号”

第一时间获取好内容

作者丨stephenDC

这是作者的第 9 篇文章

马尔科夫不等式、霍夫丁不等式和詹森不等式，是机器学习中经常遇到的几个概率不等式。本文对它们进行简单介绍，并加以证明，然后对它们在机器学中的应用进行举例说明。

主要内容包括：

马尔科夫不等式（Markov’s Inequality）

 定义     

证明 

应用 

a.用于估计一个概率的上界，比如假设你所在公司的人均工资是1万，那么随机选一个你司员工，其工资超过10万的概率，不会超过1/10。

b.用于其他概率不等式的证明，比如下面的霍夫丁不等式。

霍夫丁不等式（Hoeffding’s Inequality）

霍夫丁不等式的证明，除了要用到上面的马尔科夫不等式外，还要用到霍夫丁引理。因此，下面先介绍霍夫丁引理。

霍夫丁引理 

定义 

证明 

霍夫丁不等式 

定义 

证明 

应用 

用于给出二分类问题的泛化误差上界

詹森不等式（Jensen’s Inequality）

定义 

证明 

凸函数定义 + 归纳法

应用 

1. 有些公式里很多变量没给出来具体意义啊？

如果你已学过相关内容，这里可以帮助你回顾一下；如果你还没学习相关内容，不必了解其中变量的具体含义，这里重在形式推导。

2. 咦，那么巧？概率统计中log和exp的函数形式如此常见（比如，对数似然函数、指数分布族），而-log(x)和exp(x)刚好都是凸函数，可以各种使用詹森不等式。

NO，是因为-log(x)是凸函数，我们才对似然函数求对数，因为exp(x)是凸函数，我们才更喜欢用指数分布族建模的。所以，那么多的偶遇其实都是注定，因为那个他（她）早在那里等你多时了！

参考文献：

李航 《统计学习方法》 第二版

-END-