Es un concepto central en la teoría Vapnik-Chervonenkis, y fue originalmente definido por Vladimir Vapnik y Alexey Chervonenkis.
no tiene errores cuando evalúa ese conjunto de puntos.
Cuando hay 3 puntos que no sean colineales, la línea puede separarlos.
Sin embargo, la línea no puede separar 4 puntos.
Es importante recordar que uno puede elegir una configuración de puntos que pueden ser separables por una recta, pero no podríamos separar todas las permutaciones.
Sólo 3 de las 8 permutaciones posibles son mostradas para 3 puntos.
La dimensión VC tiene utilidad en teoría de aprendizaje estadístico, porque puede predecir el límite superior probabilístico sobre el error en el conjunto de prueba.
El límite sobre el error en el conjunto de prueba del modelo (en los datos de entrenamiento es independiente y cumple una distribución aleatoria de la misma distribución) está dado por con probabilidad
es la dimensión VC del modelo de clasificación, y
es el tamaño del conjunto de entrenamiento.