容错性（PAC学习）

容错性（PAC学习）在PAC学习中，容错性指的是当收到的例子以某种方式被破坏时，算法的学习能力。事实上，这是一个非常普遍和重要的问题，因为在许多应用中，不可能获得无噪声的数据。噪声会在不同层面上干扰学习过程：算法可能会收到偶尔被误标的数据，或者输入可能有一些错误的信息，或者例子的分类可能被恶意掺杂。符号和Valiant学习模型在下文中，让当数据受到一些修改时的可学习性。分类噪声在分类噪声模型中，噪声率0≤η<12被引入。然后，代替{displaystylehin{mathcal{H}}是选择最佳函数h∈H｝{displaystyle1/2}，那么在任何计算时间内学习都是不可能的。

那么在任何计算时间内学习都是不可能的，因为每一个标签都没有传达关于目标函数的信息。在分类噪声模型中，如果存在一种学习算法。一个函数h∈H，一个函数h∈H满足概率至少为1-。