错误衡量（Error Measure）
有两种错误计算方法：
第一种叫0/1错误，只要【预测≠目标】则认为犯错，通常用于分类；通常选择，错误比较大的值作为y˜的值
第二种叫平方错误，它衡量【预测与目标之间的距离】，通常用于回归。通常选择，错误均值作为y˜的值
举例说明：
还有一种错误叫做，均值错误err(y˜,y)=|y˜-y|,这是通常选择接近50%的值作为y˜的值
错误加权，以及错误加权模型，wighted pocket Algorithm
0/1错误分为两种，一种是false reject叫错误拒绝，即本来合法的识别成了非法；另一种叫false accept叫错误接受，即本来非法的识别成了合法。
举例：CIA的绝密资料库只能向有权限的人敞开，如果通过指纹核实人员身份，false accept的代价就变得非常大，这意味着一个没有权限的人接触到了国家机密！不能忍啊，于是工程师给false accept加了一个巨大的权重，训练时如果出现false accept，这个备选函数基本是要被毙掉了。
它的错误计算就变成：
这个时候就需要给Ein添加一个权重
比如false accept( 将-1识别成+1 )权重为1000，我们将训练数据中所有标记为-1的点复制1000次，如果近似函数在这些点上犯错，将会有1000倍的惩罚。这样问题就被转化为无权重问题：
并且我们已经知道Pokect算法可以解决无权重问题。其实在应用中我们也不会真的把某些数据复制1000次，我们只需在计算Error时，将权重高的数据被拜访的概率提高1000倍即可，这与复制是等效的。
不过，如果是遍历整个测试集（不是抽样）来计算错误，就没必要修改拜访概率了，只需给相应的错误乘上它们的权重再相加并除以N即可。
wighted pocket Algorithm
