概念类

在数学的计算学习理论中，一个域X上的概念是X上的总布尔函数。一个概念类是一个概念类。概念类是计算学习理论的一个主题。概念类的术语经常出现在与可能近似正确(PAC)学习相关的模型理论中。在这种情况下，如果我们把一个集合Y作为（分类器输出）标签的集合，而X是一个例子的集合，映射c:X→Y{displaystylec:XtoY}，即从实例到Y的映射。也就是说，从例子到分类器标签（其中Y={0,1}{displaystyleY={0,1}}，其中c是分类器标签的子集。而c是X的一个子集），那么c就被称为是一个概念。一个概念类C{displaystyleC}是这类概念的集合。给定一个概念类C，如果存在一个样本s，使得D恰好包含C中那些扩展到s的概念，那么子类D就是可达的。

假设C=S+(X){displaystyleC=S{+}(X)}。.那么。子类{{x}}{displaystyle{{x}}}子类是可以通过样本到达的。是可以通过样本达到的s={(x,1)}{displaystyles={(x,1)}}是可以达到的。{displaystylecinC}的任何概念c，我们称其为"概念"。，我们把这个概念称为{displaystyleC}的指纹维度是最小的正整数。是最小的正整数d{displaystyled}的最小正整数。

这样，每个可到达的子类{displaystyleC''subseteqC}都包含有概念。包含一个概念，这个概念是{displaystyle1/d}。-好的。这个数量可以用来约束根据以下不等式学习一类概念所需的最小等值查询数量。