这是问题所在：
考虑三个相互独立的分类器，A，B，C，它们的错误概率相等：
Pr（errA）= Pr（errB）= Pr（errC）= t
让D成为另一个获得A，B和C多数票的分类器。
•什么是Pr（errD）？
•绘制Pr（errD）作为t的函数。
•对于t的哪个值，D的性能优于其他三个分类器中的任何一个？
我的问题是：
（1）我不知道D的错误概率。我以为是1减去alpha（1-α），但我不确定。
（2）如何绘制t（Pr（errD））？我假设没有找到Pr（errD），然后就可以绘制它。
（3）在这里，我也无法弄清楚。比较而言，我应该如何确定D的性能？
答案 0 :(得分：1)
如果我很好理解，您的问题可以用简单的术语来表达，而无需任何整体学习。
鉴于D是3个分类器投票的结果，D是错误的，当且仅当其中一个估计量是正确的。
A,B,C是独立的，所以：
不正确的概率为t ^ 3
一个人正确而另一两个人错误的概率为3（1-t）t ^ 2（因数3是因为有三种实现方法）
所以P（errD）= t ^ 3 + 3（1-t）t ^ 2 = -2t ^ 3 + 3t ^ 2
您应该能够在[0：1]区间中将其作为t的函数进行绘制，而不会遇到太多困难。
关于第三个问题，只需解决P（errA）-P（errD）> 0（这意味着D的错误概率小于A的错误概率，因此它的性能更好）。如果解决了此问题，则应发现条件为t <0.5。
要回到整体学习中，请注意，通常不会在实践中验证估计器之间的独立性。