回顧一 下，Learned Index建置Model，學習資料的CDF分布，預測出位置。

但是，有一個問題是對於Model來說，預測出的位置可能會有錯誤，也就是所謂的預測誤差，那怎麼辦呢? 這樣不就找不到資料ㄇ....

Kraska et al. 對於不精準的問題，提出一個方法，每當Model訓練完後，

針對Model預測出來的位置與真實的位置進行誤差的計算，計算Model預測位置 大於真實位置 與 小於真實位置 的最大誤差。

• 我們在這裡定義幾個參數:
  • real_pos : 真實的位置
  • pos : Model 的預測位置
  • min_err : 小於pos的最大誤差
    • pos < real_pos，max( |pos - real_pos| )
  • max_err : 大於pos的最大誤差
    • pos > real_pos，max( |pos - real_pos| )
  • binary search 範圍: [ pos - min_err, pos + max_err ]，就算預測位置錯誤，依舊能在最大誤差範圍內找到資料。

使得Model查詢可以在 pos - min_err 與 pos + max_err 進行 binary search。

換句話說，即便Model預測不準，一樣能在一定的範圍內查找到資料 ~