用于风险界的估计 VC 维
机器学习
2011-11-16 v1
摘要
Vapnik-Chervonenkis (VC) 维是衡量学习算法泛化能力的一个基本指标。然而，除少数特例外，对其进行解析计算十分困难或不可能。Vapnik 等人 [10] 提出了一种经验估计 VC 维的技术。尽管该方法在模拟实验中表现良好，但由于缺乏对 VC 维自身估计误差的界限，它无法用于限定分类器的泛化风险。我们弥补了这一缺失，为所提出的估计量提供了高概率集中不等式结果，并推导了相应的泛化界。
引用
@article{arxiv.1111.3404,
title = {Estimated VC dimension for risk bounds},
author = {Daniel J. McDonald and Cosma Rohilla Shalizi and Mark Schervish},
journal= {arXiv preprint arXiv:1111.3404},
year = {2011}
}
备注
11 pages