UC伯克利发现「没有免费午餐定理」加强版：每个神经网络，都是一个高维向量(8)

我们将初始化的神经网络f和学习目标函数f^分别用特征向量展开：

并以内积的形式提出可学习性的表达式：

这样就可以计算f和f^之间的接近（可学习）程度。
作者还推导出了学习到的函数的所有一阶和二阶统计量的表达式，包括恢复之前的 MSE 表达式。如图 3 所示，这些表达式不仅对于核回归是相当准确的，而且也可以精准预测有限宽度的网络。