我知道什么是SRM，但我不理解SRM和SVM之间的关系。谁能解释一下这个？为什么他们说SVM依赖于SRM方法？ 非常感谢你！
答案 0 :(得分：7)
结构风险最小化是Vapnik的学习概念，它在概念上类似于其他最小假设方法＆＃34;。简而言之，大多数学习算法（在分类中）试图找到从输入空间到类的一些映射，使得这种映射表现得很好＆＃34;以及＃34;在训练集上（返回正确的答案）。然而，已知的现象是，这不足以构建良好的模型，因为例如可以记住所有训练示例并且具有0训练误差的模型。然而，它会对新的例子（看不见的观察）表现得很糟糕。结构风险最小化可归纳如下：＆＃34;要找到一个好的分类器，选择最简单最小化训练错误＆＃34;。换句话说 - 最好在复杂的模型上使用简单模型。随着后者对数据做出更多假设，从空气中汲取更多信息。 （没有实际的培训数据来支持这种复杂性）。 Vapnik证明了分类器复杂性（用所谓的＆＃34; Vapnik-Chervonenkis维度＆＃34;测量）和它们在看不见的数据（测试点）上表现良好的能力之间存在着强烈的关系。这个VC维度（松散地说）衡量给定分类器中的一组点的大小，可以完美地对所有可能的标签进行分类。
＆＃34;风险的概念＆＃34;只是做出错误决定的可能性＆＃34;在未来＆＃34; （当我们的模型对新的，看不见的点进行分类时）。并且＆＃34;结构＆＃34;概念是模型的复杂性，对复杂模式的适应性的名称。
SVM与这个概念有什么关系？通过保证金最大化。看起来（并且可以严格证明）边际的最大化减小了VC维度，因此当边缘最大化时，我们搜索更简单和更简单的模型。