結構風險最小化

傳統機器學習方法中普遍採用的經驗風險最小化原則在樣本數目有限是是不合理的，因爲我們需要同時最小化經驗風險和置信範圍。事實上，在傳統的方法中，我們選擇學習模型和算法的過程，就是優化置信範圍的過程，如果選擇的模型比較適合現有的訓練樣本（h/n值適當），則可以取得比較好的效果。比如在神經網絡中，需要根據問題和樣本的具體情況來選擇不同的網絡結構（對應於不同的VC維），然後進行經驗風險最小化。在模式識別問題

>>阅读原文<<