风险界限的估计VC维度
摘要：Vapnik-Chervonenkis（VC）维度是衡量学习算法泛化能力的基本指标，但是除了一些特殊情况外，很难或者不可能进行解析计算。Vapnik等人提出了一种通过经验估计VC维度的技术。尽管他们的方法在模拟中表现良好，但不能用来限制分类器的泛化风险，因为对于VC维度本身的估计误差没有界限。我们纠正了这个遗漏，提供了对于所提出的估计器的高概率集中结果，并推导出相应的泛化边界。
作者：Daniel J. McDonald, Cosma Rohilla Shalizi, Mark Schervish
论文ID：1111.3404
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-11-16