标签：
首先回顾上节课末尾引出来的VC Bound概念，对于机器学习来说，VC dimension理论到底有啥用。
三点：
1. 如果有Break Point证明是一个好的假设集合
2. 如果N足够大，那么Ein跟Eout的表现会比较接近
3. 如果算法A选的g足够好（Ein很小），则可能从数据中学到了东西
==================================================
现在正式引出VC Dimension的概念：啥叫VC Dimension:
VC Dimension是针对某个假设集合的一个性质。简言之，就是Break Point - 1的那个值的正式说法。如果没有Break Point，则VC Dimension是无限。
因此，VC Dimension有限被认为是好的。
为啥是好的呢？回顾之前几节的内容，有如下的结论证明VC Dimension有限是好的（样本充足情况下，可以保证Eout跟Ein接近）
马上举一个例子，证明VC Dimension的用处：
对于2D PLA来说：
1. 如果是linear separable D ， 则迭代次数足够，一定可以得到Ein(out)是0 （从训练集学到了东西）
2. 二维平面上 binary classification的VC Dimension是3，因此N足够大时候，Ein与Eout很接近（训练集的学习效果可以迁移到测试集）
端午放假出去散心。。。回来接着写。。。。
=======================================================================
标签：
原文地址：http://www.cnblogs.com/xbf9xbf/p/4589696.html
