svm、经验风险最小化、vc维

“支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上”

结构化风险

结构化风险 = 经验风险 + 置信风险

经验风险 =  分类器在给定样本上的误差

置信风险 = 分类器在未知文本上分类的结果的误差

置信风险因素：

样本数量，给定的样本数量越大，学习结果越有可能正确，此时置信风险越小； 
分类函数的VC维，显然VC维越大，推广能力越差，置信风险会变大。 

提高样本数量，降低VC维，降低置信风险。

以前机器学习的目标是降低经验风险，要降低经验风险，就要提高分类函数的复杂度，导致VC维很高，VC维高，置信风险就高，所以，结构风险也高。---- 这是SVM比其他机器学习具有优势的地方。 

svm能达到降低vc维，最主要那个是核函数的引入。

前面这部分知识都是在学习svm的时候摘抄别人的博客，当时对vc维就不是很理解，看了很多遍都是云里雾里的。但在后来的学习中发现这个概率常常出现，到时很多算法都不能有一部分无法正确理解，今天鼓起勇气再次学习一下vc维概念，整理如下：

例子：     一个线性二分类函数能打散一个只包含三个元素的的集合        所以称线性二分类函数的vc维为3

抽象：     一个函数集能后打撒一个包含h个元素的集合      称该函数集的vc维为h

说到这儿大家可能对打散这个定理不是很理解，那还是以二分类函数为例