vc維就是乙個係數，這個係數就是為了度量一組函式集的容量(capacity)。注意這裡的「函式」是廣義的，線性函式、多項式函式當然都是函式；對於乙個多層的神經網路，權值大小不知道（訓練神經元網路就是為了確定權值），每組權值就可以認為對應乙個函式。
而容量就反映了一組函式集對樣本的區分能力，容量越大，對應的一組函式集區分能力就越大；注意容量的大小跟這組函式集自由引數的多少是沒有必然聯絡的（不確信這樣說是否合適），因為函式集的vc為即為無窮大。
還有乙個應該注意的問題是：vapnik定義vc維是指能夠找到n個樣本可以被一組函式集打散（不是任意n個樣本都滿足這個條件）的最大n。比如說二維平面上空間上對於所有的線性分類面，能夠找到3個點可以被線性分類面打散，但不是任意三個點都能夠滿足這個條件（是不是？很簡單的，相信你能夠找到這樣的三個點）。再說說svm,說白了就是個線性分類面，不過是定義在高維特徵空間上的，跟感知機演算法相比就多了乙個最大間隔，沒別的，呵呵。（當然，暫時不考慮核函式對映問題）。那為啥最大間隔最好呢？vapnik用vc維解釋這回事：所有把兩類樣本以d間隔分開的線性函式組成的集合，假如記為f(隨便了，statistical learning theory中好像不是這樣記的，忘了),那麼d越大，函式集f的vc維就越小（vapnik的書有證明），d取極限情況不就是最大間隔超平面嗎？那為何vc維越小越好呢，就是因為這時推廣能力（或者說泛化能力，generalization，隨呢咋叫）好。統計學習理論中被叫爛了的那個結構風險最小化就是說這個事的。簡單的說就是推廣能力有兩個因素決定：訓練錯誤和置信範圍（置信範圍這個叫法很土），也就是stl中乙個很重要不等式右邊兩項，而結構風險最小化就是最小化前面那兩個的和；對於svm，既然都被線性分開了，訓練錯誤當然就是零了，那分類器的泛化效能就只由置信範圍來決定了，而vc維越小，置信範圍就越小了。
因此,svm就是在最小化經驗風險的基礎上從vc維最小的函式集裡面選擇函式，不是嗎？
（別忘了，vapnik也給什麼是機器學習下了個定義，就是從一組函式集裡面選擇函式，
就這麼簡單）我們當然也可以用別的方法尋找最好的函式，只要在尋找的時候記住結構
風險最小，那我們就可能找到別的機器學習演算法了。
一些VC外掛程式的簡介
1.visual assist 簡稱va va從5.0一直到現在的 vax，功能越來越強大，除了以前版本中的自動識別各種關鍵字，系統函式，成員變數，自動給出輸入提示，自動更正大小寫錯誤，自動標示錯誤等等以外，最新的版本中還在 workspace 視窗中加入乙個 va view 可以更方便的查詢工程中...
一些VC外掛程式的簡介
1.visual assist 簡稱va va從5.0一直到現在的vax，功能越來越強大，除了以前版本中的自動識別各種關鍵字，系統函式，成員變數，自動給出輸入提示，自動更正大小寫錯誤，自動標示錯誤等等以外，最新的版本中還在workspace視窗中加入乙個va view，可以更方便的查詢工程中的檔案 ...
VC控制項的一些原理
記得 vb中是怎麼處理控制項的吧，so easy 了。先在視窗上畫出乙個控制項，然後給他起個名字 name 然後 中所有的對於該控制項的操作都通過這個 name 來引用。例如，你要改變這個控制項的某些屬性，那麼通過這個 name 呼叫它的屬性，並相應的給屬性賦上你期望的值，那麼一切搞定。再如，你要條...