原文：http://blog.csdn.net/keith0812/article/details/8901113

“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

假设有一个包含三个元素的集合，这三个元素应该存在2^3即8种形式分开，具体情况如下：

而线性二分类函数，就能实现这个要求，所以说线性二分类函数的VC维为3。

同样对于具有h个元素的集合，如果一个函数集能够实现2^h种形式分开，我们称这个函数集的vc维为h

若对任意数目的样本都有函数能将它们打散.则函数集的VC维是无穷大。    即该函数集能够打散包含任意个元素的集合。

VC维定义应用

研究人员通过分析得出结论：经验风险最小化学习过程一致的必要条件是函数集的VC维有限，且这时的收敛速度是最快的。

个人理解，如果一个vc维无穷大，即该函数集能够打散包含任意个元素的集合。那么这个函数必定很复杂，才能满足这个条件，如果一个函数过于复杂，这个函数的泛化能力将下降，训练的经验风险将增大，收敛的速度也会减慢。