本讲大纲:
1.VC维(VC dimension)
2.模型选择(model selection)
—交叉验证(cross validation)
—特征选择(feature selection)
1.VC维
给定猜想类,定义VC维(Vapnik-Chervonenkis dimension),记作VC(H),表示能够被分开的最大集合的尺寸(如果能够分开任意大的集合,那么).
例如,考虑下面几个的三个点:
在二维中线性分类器能够把它们分开吗()?显然是可以的. 事实上,任意这些点可能的八种标签情况,我们都能找到“零训练误差”的线性分类器.
但是,这个猜想不能分开四个点的集合,因此VC(H)=3.
注意,即使可能有大小为3的集合不能被分开,VC维依然为3. 例如,三个点在同一条线上时(左图),那么没有办法找到线性分隔器(右图).