计算机组成nzvc的含义,VC维含义的个人理解

先要介绍分散(shatter)的概念：对于一个给定集合S={x1, ...

,xd}，如果一个假设类H能够实现集合S中所有元素的任意一种标记方式，则称H能够分散S。

这样之后才有VC维的定义：H的VC维表示为VC(H)

，指能够被H分散的最大集合的大小。若H能分散任意大小的集合，那么VC(H)为无穷大。

通常定义之后，会用二维线性分类器举例说明为什么其VC维是3，而不能分散4个样本的集合，这里也就是容易产生困惑的地方。下面进行解释。

对于三个样本点的情况，下面的S1所有的标记方式是可以使用线性分类器进行分类的，因此其VC维至少为3(图片来自于斯坦福机器学习公开课的materials,cs229-notes4.pdf)：

虽然存在下面这种情况的S2，其中一种标记方式无法用线性分类器分类(图片来自于斯坦福机器学习公开课的materials,cs229-notes4.pdf)

但这种情况并不影响，这是因为，上一种的S1中，我们的H={二维线性分类器}可以实现其所有可能标签情况的分类，这和S2不能用H分散无关。

而对于4个样本点的情况，我们的H不能实现其所有可能标签情况的分类(这是经过证明的，过程不详)如下图中某个S和其中一种标签分配情况：

可见，H={二维线性分类器}的VC维是3。

故有这样的结论，平面内只能找到3个点能被直线打散而不找到第4点。

对于这个结论我是如下理解的：

(1)平面内只能找到3个点能被直线打散：直线只能把一堆点分成两堆，对于3个点，要分成两堆加上顺序就有23种。其中A、B、C表示3个点，+1，-1表示堆的类别， {A→-1,BC→+1}表示A分在标号为-1的那堆，B和C分在标号为+1的那堆。这就是一种分发。以此类推。则有如下8种分法：

{A→-1,BC→+1}，{A→+1,BC→-1}

{B→-1,AC→+1}，{B→+1,BC→-1}

{C→-1,AB→+1}，{C→+1,BC→-1}

{ABC→-1}，{ABC→+1}

(2)找不到4个点。假设有，则应该有24=16分法，但是把四个点分成两堆有：一堆一个点另一对三个点(1，3)；两两均分(2，2)；一堆四个另一堆没有(0，4)三种情况。对于第一种情况，4个点可分别做一次一个一堆的，加上顺序就有8种：

{A→-1,BCD→+1}，{A→+1,BCD→-1}

{B→-1,ACD→+1}，{B→+1,ACD→-1}

{C→-1,ABD→+1}，{C→+1,ABD→-1}

{D→-1,ABC→+1}，{D→+1,ABC→-1}；

对于第二种情况有4种：

{AB→-1,CD→+1}，{AB→+1,CD→-1}

{AC→-1,BD→+1}，{AC→+1,BD→-1}

没有一条直线能使AD在一堆，BC在一堆，因为A、D处在对角线位置，B、C处在对角线位置。(这是我直观在图上找出来的)

对于第三种情况有2种；

{ABCD→-1}

{ABCD→+1}

所以总共加起来只有8+4+2=14种分法，不满足24=16分法，所以平面找不到4个点能被直线打散。